不知道大家注意没有，近年来很多中国风手机...有时候在搜索素材时发现下面这类作品，初次看感觉很酷，非常震撼，不过仔细一看能发现很多问题。这类作品设计大胆，元素丰富，只是忽略了游戏设计师最重要的并不是要界...

《你必须知道的.NET》 作者简介：王涛 微软...作者对.NET基础架构和CLR底层运行机制有浓厚的研究兴趣和造诣，熟悉ASP.NET、XML、SQL Server相关技术，对面向对象、设计模式和软件架构有一定的研究与实践经验。 第1部分

当我们写一个软件的时候, 都知道要为用户考虑, 但是用户在哪里? 有同学写 “图书馆管理系统” - 说来图书馆的同学都是我的用户, 但是他们有没有区别呢? 有同学写“自动柜员机系统”, 那到底有多少类型的用户来到...

从大禹治水看构件与集成 大禹治水 　在远古的尧、舜时代，黄河流域经常发生了大水灾，洪水横流，五谷不收，家破人亡。所以尧派鲧去治水，鲧沿用了过去的传统法子，水来土挡，用土筑堤，堵塞漏洞。但由于洪水凶猛，...

1.1 环境搭建 1.1.1 selenium简介 Selenium 是用于测试 Web 应用程序用户界面 (UI) 的常用框架。...Selenium的发展经历了三个阶段，第一个阶段，也就是selenium1的时代，在运行selenium1.0程序之前，我

我们学习Java大概有3个方向，第一，桌面系统，包括C/S结构；第二，J2ME,面向无限领域，很有潜力的家伙，看看中国的手机用户就知道了。第三，面向企业应用、计算的平台,J2EE.初次涉及Java领域，感觉到Java入门是好像...

J2EE学习历程(引)J2EE学习历程我们学习Java大概有3个方向，第一，桌面系统，包括C/S结构；第二，J2ME,面向无限领域，很有潜力的家伙，看看中国的手机用户就知道了。第三，面向企业应用、计算的平台,J2EE.初次涉及...

J2EE学习历程(转) http://blog.csdn.net/leon2100/archive/2004/12/26/230118.aspxJ2EE学习历程我们学习Java大概有3个方向，第一，桌面系统，包括C/S结构；第二，J2ME,面向无限领域，很有潜力的家伙，看看中国的手机...

导读： 我们学习Java大概有3个方向，第一，桌面系统，包括C/S结构；第二，J2ME,面向无限领域，很有潜力的家伙，看看中国的手机用户就知道了。第三，面向企业应用、计算的平台,J2EE. 初次涉及Java领域，感觉到Java...

【目录】- MATLAB神经网络30个案例分析(开发实例系列图书) 第1章 BP神经网络的数据分类——语音特征信号分类1 本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。 第2章 BP神经网络的非线性系统建模——非线性函数拟合11 本章拟合的非线性函数为y=x21+x22。 第3章 遗传算法优化BP神经网络——非线性函数拟合21 根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优36 对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模45 BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。 第6章 PID神经元网络解耦控制算法——多变量系统控制54 根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。 第7章 RBF网络的回归——非线性函数回归的实现65 本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测73 根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。 第9章 离散Hopfield神经网络的联想记忆——数字识别81 根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。 第10章 离散Hopfield神经网络的分类——高校科研能力评价90 某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算100 现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。 第12章 SVM的数据分类预测——意大利葡萄酒种类识别112 将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。 第13章 SVM的参数优化——如何更好的提升分类器的性能122 本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。 第14章 SVM的回归预测分析——上证指数开盘指数预测133 对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141 在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。 若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测153 本案例中给出了一个含有60个个体基因表达水平的样本。每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类), 中间的20个样本是正常人的基因表达信息样本, 余下的20个样本是待检测的样本(未知它们是否正常)。以下将设法找出癌症与正常样本在基因表达水平上的区别，建立竞争网络模型去预测待检测样本是癌症还是正常样本。 第17章SOM神经网络的数据分类——柴油机故障诊断159 本案例中给出了一个含有8个故障样本的数据集。每个故障样本中有8个特征，分别是前面提及过的：最大压力(P1)、次最大压力(P2)、波形幅度(P3)、上升沿宽度(P4)、波形宽度(P5)、最大余波的宽度(P6)、波形的面积(P7)、起喷压力(P8)，使用SOM网络进行故障诊断。 第18章Elman神经网络的数据预测——电力负荷预测模型研究170 根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断176 本案例在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。 第20章 神经网络变量筛选——基于BP的神经网络变量筛选183 本例将结合BP神经网络应用平均影响值（MIV，Mean Impact Value）方法来说明如何使用神经网络来筛选变量，找到对结果有较大影响的输入项，继而实现使用神经网络进行变量筛选。 第21章 LVQ神经网络的分类——乳腺肿瘤诊断188 威斯康星大学医学院经过多年的收集和整理，建立了一个乳腺肿瘤病灶组织的细胞核显微图像数据库。数据库中包含了细胞核图像的10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度），这些特征与肿瘤的性质有密切的关系。因此，需要建立一个确定的模型来描述数据库中各个量化特征与肿瘤性质的关系，从而可以根据细胞核显微图像的量化特征诊断乳腺肿瘤是良性还是恶性。 第22章 LVQ神经网络的预测——人脸朝向识别198 现采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每人5幅图像，人脸的朝向分别为：左方、左前方、前方、右前方和右方。试创建一个LVQ神经网络，对任意给出的人脸图像进行朝向预测和识别。 第23章 小波神经网络的时间序列预测——短时交通流量预测208 根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络的短时交通流量预测。 第24章 模糊神经网络的预测算法——嘉陵江水质评价218 根据模糊神经网络原理，在MATLAB中编程实现基于模糊神经网络的水质评价算法。 第25章 广义神经网络的聚类算法——网络入侵聚类229 模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优236 根据PSO算法原理，在MATLAB中编程实现基于PSO算法的函数极值寻优算法。 第27章 遗传算法优化计算——建模自变量降维243 在第21章中，建立模型时选用的每个样本（即病例）数据包括10个量化特征（细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度）的平均值、10个量化特征的标准差和10个量化特征的最坏值（各特征的3个最大数据的平均值）共30个数据。明显，这30个输入自变量相互之间存在一定的关系，并非相互独立的，因此，为了缩短建模时间、提高建模精度，有必要将30个输入自变量中起主要影响因素的自变量筛选出来参与最终的建模。 第28章 基于灰色神经网络的预测算法研究——订单需求预测258 根据灰色神经网络原理，在MATLAB中编程实现基于灰色神经网络的订单需求预测。 第29章 基于Kohonen网络的聚类算法——网络入侵聚类268 根据Kohonen网络原理，在MATLAB软件中编程实现基于Kohonen网络的网络入侵分类算法。 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类277 为了便于使用MATLAB编程的新用户，快速地利用神经网络解决实际问题，MATLAB提供了一个基于神经网络工具箱的图形用户界面。考虑到图形用户界面带来的方便和神经网络在数据拟合、模式识别、聚类各个领域的应用，MATLAB R2009a提供了三种神经网络拟合工具箱（拟合工具箱/模式识别工具箱/聚类工具箱）。

主要介绍了vscode 的node.js debugger 的 launch.json 配置详情,本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

首先学习Python的基础知识，然后使用Python来控制Excel，做数据处理。 Excel使用者、Python爱好者、数据处理人员、办公人员等 第1章 python基础 1.1 什么是python？ 1.2 为什么要学习用Python处理Excel表格？ 1.3 手把手教你安装python程序 1.3.1 下载python 1.3.2 安装python 1.3.3 验证是否安装成功 1.4 安装Python集成开发工具PyCharm 1.4.1 下载 1.4.2 安装 1.5 Python的输入与输出

数学建模最常用的30种算法！ 全国大学生数学建模竞赛创办于1992年，每年一届，已成为全国高校规模最大的基础性学科竞赛，也是世界上规模最大的数学建模竞赛。2018年，来自全国34个省/市/区(包括香港、澳门和台湾)及美国和新加坡的1449所院校/校区、42128个队（本科38573队、专科3555队）、超过12万名大学生报名参加本项竞赛。

常见的30种数学模型，比较详细，非常适合搞数学建模的学生使用

MATLAB信号处理详解 结合MATLAB最新版本系统地介绍信号处理及现代信号处理或者非平稳信号处理(包括信号处理、阵列信号处理、时频分析及高阶谱分析)的基本理论及在工程应用中的一些基本方法；详细地介绍MATlLAB工具箱函数的用法；最后结合一些应用实例，说明基于MATLAB进行分析与设计的方法。 《MATLAB信号处理》首次将信号处理涉及的各种MATLAB工具箱全面加以说明分析，简明扼要地介绍相关领域的基本概念和基本理论，重在讲述有关基本理论和物理背景，避开繁复的推导和中间过程，结合编程应用介绍工具箱函数的功能及用法，并且通过各种应用实例阐述如何利用MATLAB工具箱来解决工程应用问题。

自己做的五一赛论文，代码数据都在附录。本文针对股票投资组合问题进行了研究，建立了投资效用与多目标规划模 型，运用了历史模拟、灰色关联等方法，旨在确定股票投资组合策略。

共六章 1.基础章节,从Shader1.0版本到新的4.5版本,介绍每一个版本中特性的用法; 2.Tesslattion Shader应用/基础案例分析 3.Gemotry Shader应用/基础案例分析 4.Compute Shader应用/基础案例分析 5.通过大量案例讲解分析/结合新特性，介绍用法 6.性能调优，如果借助shader加速应用,让你的程序支撑百万级别的场景对象轻松应对 全面解析OpenGL Shader语言,从1.0到4.5版本,全面掌握shader编成,并能够熟练的应用

这本面试手册包含了Java基础、Java集合、JVM、Spring、Spring Boot、Spring Cloud、Mysql、Redis、RabbitMQ、Dubbo、Netty、分布式及架构设计等方面的技术点。内容难度参差，满足初中高级Java工程师的面试需求。

Spring Boot 入门介绍，听完这些课程你可以了解到 Spring Boot 的优势，为什么需要使用 Spring Boot ，学会使用 Spring Boot 创建一个简单的 Hello World ，并写学会使用 Spring Boot 单元测试。 了解 Spring Boot 并掌握 Spring Boot 基础开发

本资源包含数据，代码，解释，相应的文件。代码是练习用的，文章中的代码都可以运行出来，是很好的一个练手项目。

ARIMA模型-matlab代码，可以根据自己的实际情况进行参数调节，实现所需要的效果。

本教程页数不多，7页，主要描述如何使用以太坊ETH挖矿，图文并茂的展示和流程细节的体现，基本看了一遍就肯定能够学会了。

各种基于SEIR模型的改进算法代码、Python代码，还包含Si，sir，sis的代码，是做数学建模比赛整理的资料，具全，带论文。研究COVID-19的传播过程和受感染人数的变化规律，是探索如何制止COVID-19蔓延的重要环节。本文针对COVID-19的防控问题，通过对各个国家疫情状况数据的分析，采用……方法，建立……模型，获得……，同时以……为优化目标，获得……最优模型。 针对问题一，为了确定COVID-19的传播系数。通过对国家卫健委公布的1月21日～2月5日的疫情数据分析，考虑易感人群(S)、潜伏人群(E)、感染人群(I)、治愈人群(R)建立SEIR模型，基于SEIR模型计算的COVID-19的传播系数(R0)在3.096～3.613之间。 针对问题二，针对不同地区采取的不同防控策略建立模型分析、预测未来的疫情数据。通过分析COVID-19存在潜伏期且康复后二次感染的概率低的传播特性，结合国内公开的疫情防控数据，考虑隔离/未隔离情况、疫苗接种情况、医疗卫生条件等因素提出了改进的SEIR模型，与logistic模型和传统的SEIR模型比较，预测率有较大提升。由于国外的数据不包含疑似病例数据，采用SIR模型进行分析预测未来疫情数据。

自动驾驶模型的建立

针对本文给出的基金资产配置策略问题，本文建立了结合小波分析算法，均值-方 差模型，蒙特卡罗模拟方法以及遗传算法的资产配资投资效益优化模型，对企业购买股 票以及合理进行资金的配置具有一定的指导作用。 针对问题一 本文使用皮尔逊相关系数与系统聚类 针对问题二 本文结合小波分析算法与均值-方差模型确定使投资效用最大化的股 票投资策略，使用小波分析算法对数据进行降噪，再使用样条插值补全数据。之后计算协方差矩阵代入均值方差模型求解确定了投资效用最大的策略 针对问题三 本文使用历史模拟法、蒙特卡罗方法，参数模拟法度量每个基金公司 2020 年 95% 置信水平下的风险价值。 针对问题四 本文建立了整个系统的兼顾投资效益以及风险价值的投资策略优化 模型，并且使用遗传算法，改变初始参数多次进行求解。

五一建模写的论文，当时是拿啦奖的，你们可以参考下哦

本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

本套课程，以实际操作演示为主，代码实例详细讲解了在Spring Boot框架使用JPA的一些规则与常见套路。课程中涉及到JPA的使用规则、核心概念、实体关系使用规则和常见问题等内容。该套课程后，让你全面熟悉与掌握Spring Boot 中JPA的使用套路。Spring Boot中JPA模块主要使用Spring Data JPA一些规则，该套课程还会帮你掌握Spring Data JPA的常用规则。 帮助同学快速熟悉与掌握Spring Boot中使用JPA的常见套路与规则。 帮助同学快速掌握Spring Data JPA的常用使用规则

本课程通过讲解Spring Batch的基础知识点以及一些实际的项目示例让大家熟悉如何使用Spring Batch进行大批量数据的同步、处理及转换等。 通过学习本课程大家可以快速的掌握如何使用及优化Spring Batch。

2021华中杯第一问配套思路，内有处理后的可读数据，输出结果，可视化图片，新增的RGB坐标。（R语言代码） 声明：只可自己使用，不可商用。违者必究。 具体思路见：https://tjxwz.blog.csdn.net/article/details/116310441