新手求解！！ 用C#做一个类似于QQ的那种 把鼠标放在头像上会自动显示出来一个信息框 应该怎么做！！！！

glibo1990 2013-07-31 09:30:01
用C#做一个类似于QQ的那种 把鼠标放在头像上会自动显示出来一个信息框 应该怎么做！！！！用什么控件 最好给一点代码提示一下呗 谢谢啦
...全文
216 3 打赏 收藏 转发到动态 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
glibo1990 2013-07-31
  • 打赏
  • 举报
 回复
就是说类似于咱们现在论坛左边的头像，你把鼠标放在上边会自动出来一个信息框！！！！！
threenewbee 2013-07-31
  • 打赏
  • 举报
 回复
tooltips控件
IEC 60815-1-2008 TS.pdf
IEC 60815-1-2008 TS
IEC 60794-1-2-2017.pdf
IEC 60794-1-2-2017
【IEEE顶刊复现】主动配电网鲁棒故障恢复【两阶段鲁棒模型+确定性模型】研究（Matlab代码实现）
内容概要：本文围绕主动配电网鲁棒故障恢复问题展开研究，重点实现了两阶段鲁棒优化模型与确定性模型的Matlab代码复现，属于IEEE顶刊级别科研成果的高质量复现工作。研究针对配电网在故障情况下面临的多重不确定性因素，构建了包含故障隔离、网络重构、负荷恢复等关键环节的优化模型，采用YALMIP等工具进行建模与求解，提供了完整的仿真代码与详实的实验结果分析，充分验证了所提方法在提升主动配电网韧性、增强供电恢复能力方面的优越性能。研究不仅展示了理论建模过程，更强调实际编程实现与仿真调试，有助于深入理解鲁棒优化在电力系统中的应用机制。; 适合人群：具备电力系统分析基础和一定Matlab编程能力的研究生、高校科研人员以及从事智能电网、配电网自动化等相关领域的工程技术人员。; 使用场景及目标：① 学习并掌握两阶段鲁棒优化在主动配电网故障恢复中的建模思想与求解流程；② 复现高水平期刊研究成果，提升科研仿真与论文写作能力；③ 将所学方法应用于配电网韧性评估、应急调度决策、网络动态重构等实际工程问题的研究与开发； 阅读建议：建议结合文中提供的网盘资源下载完整代码，按照目录结构循序渐进地学习，重点关注模型构建的数学逻辑与Matlab实现的技术细节，通过亲自运行和调试代码加深对算法原理与优化过程的理解，并可在此基础上拓展至含分布式能源、多微网协同等更复杂场景的故障恢复研究。
GMM模型算法讲解-下载即用.zip
已经博主授权,源码转载自 https://pan.quark.cn/s/a4b39357ea24 gmm-em-clustering 高斯混合模型（GMM 聚类）的 EM 算法实现。 高斯混合模型简介 高斯混合模型（GMM, Gaussian Mixture Model）是多个高斯模型的线性叠加，高斯混合模型的概率分布可以表示如下： $$P(x)=\sum{k=1}^K \alphak \phi (x; \muk, \Sigmak)$$ 其中，K 表示模型的个数，αk 是第 k 个模型的系数，表示出现该模型的概率，φ(x; μk, Σk) 是第 k 个高斯模型的概率分布。 这里讨论的是多个随机变量的情况，即多元高斯分布，因此高斯分布中的参数不再是方差 σk，而是协方差矩阵 Σk 。 我们的目标是给定一堆没有标签的样本和模型个数 K，以此求得混合模型的参数，然后就可以用这个模型来对样本进行聚类。 GMM 的 EM 算法 EM 算法是通过不断迭代来求得最佳参数的。 在执行该算法之前，需要先给出一个初始化的模型参数。 我们让每个模型的 μ 为随机值，Σ 为单位矩阵，α 为 1⁄K，即每个模型初始时都是等概率出现的。 EM 算法可以分为 E 步和 M 步。 E 步 直观理解就是我们已经知道了样本 $xi$，那么它是由哪个模型产生的呢？ 我们这里求的就是：样本 $xi$ 来自于第 k 个模型的概率，我们把这个概率称为模型 k 对样本 $xi$ 的"责任"，也叫"响应度"，记作 $\gamma{ik}$，计算公式如下： $$\gamma{ik} = \frac {\alphak \phi(xi; \muk, \Sigmak)} {\sum{k=1}^K \alphai \phi(xi; \...
前端开发基于JavaScript的现代Web技术优化：GitHub高星项目中的深拷贝、函数式编程与Vue性能提升实践
内容概要：本文介绍了GitHub上近期备受关注的5个高星JavaScript相关项目和技术实践，涵盖JS新特性、CSS现代样式技术、Vue 3性能优化、浏览器调试技巧以及VSCode实用插件。重点内容包括structuredClone深拷贝、数组新型非突变方法（如toSorted、with、findLast）、惰性函数优化机制；CSS滚动吸附、容器查询与字体自适应、:has():is():where()等新型选择器；Vue 3的v-memo指令用于渲染优化及watch、customRef等响应式特性；Chrome调试中的$0、XHR重放等功能；以及i18n Ally和koroFileHeader等提升开发效率的VSCode插件。; 适合人群：前端开发者，尤其是熟悉JavaScript、CSS及Vue框架，希望提升开发效率与代码性能的中级研发人员；; 使用场景及目标：①掌握JavaScript最新内置方法以提升代码简洁性与性能；②利用现代CSS特性实现更灵活的布局与样式控制；③在Vue项目中通过v-memo等手段优化渲染性能；④借助开发工具提升调试与国际化开发效率；; 阅读建议：此资源融合语言新特性、框架优化与工具链实践，建议结合实际项目逐步尝试各项功能，重点关注兼容性说明并验证应用场景，以充分发挥新技术优势。 https://download.csdn.net/download/2601_95955032/92855128 24直播网：jzlzgy.com 24直播网：kaixijiudianjiaju.com 24直播网：m.jiaxingyaxin.com 24直播网：m.hbbsjxzz.com 24直播网：m.tgk-china.com
C#

111,130

社区成员

642,541

社区内容

发帖
与我相关
我的任务
社区描述
.NET技术 C#
社区管理员
  • C#
  • Creator Browser
  • by_封爱
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告

让您成为最强悍的C#开发者

试试用AI创作助手写篇文章吧

+ 用AI写文章