在求知的过程中，我们经常会要面对这样，那样的诱惑。 以读书为例，一部经典的好教材，想要把它读通，搞明白，弄扎实，除了在读的过程中理解作者想要描述的字面意思以外，往往还需要通过作大量的相关习题及实验来...

Python函数2 1、函数的基本类型 2、全局变量和局部变量 局部变量 就是在函数内部定义的变量（作用域仅仅在函数内部）； 不同的函数可以定义相同的局部变量，互不影响。 作用：为了临时的保存数据，需要在函数中...

/本文为原创内容，C语言练习试题适用参考学习，因为全为自己编写可能没有按照标准答案或者含有使可读性减少的步骤，有不对的地方希望各位指出/ 1 分数比较（4分） 题目内容： 利用人工方式比较分数大小的最常见的...

1 分数比较（4分） 题目内容： 利用人工方式比较分数大小的最常见的方法是：对分数进行通分后比较分子的大小。请编程模拟手工比较两个分数的大小。首先输入两个分数分子分母的值，例如"11/13,17/19"，比较分数大小...

在求知的过程中，我们经常会要面对这样，那样的诱惑。 以读书为例，一部经典的好教材，想要把它读通，搞明白，弄扎实，除了在读的过程中理解作者想要描述的字面意思以外，往往还需要通过作大量的相关习题及实验来...

对英语好的大大们这贴就水了，直接m吧:) 如果有人对这个问题苦恼，不妨试试以下方法。其实就是把学习的过程夹杂在你"反正"要做的事情里面。 反正要看电影，不如看英文的。 反正要看技术书籍，不如...

求知过程

有时间，看一篇阮一峰 的日志，一篇《保持愚蠢stay foolish》，文章最后我会再贴在这里。但我写这篇文章的目的不仅仅是说这片文章的寓意，而是我想写出我的 “感觉经历”，这才是让我吃惊的。   1. 我跟博主的...

目录 认识变量和常量 1.1 hello world! 1.2 在屏幕上输出多行信息 1.3 计算半圆弧长以及半圆的面积 1.4 计算长方形体积 计算 2.1 输出逆序数 2.2 计算总分和平均分 ...3.3 计算...

求知之路之微信订阅号（一）新进了家公司，公司正在开发微信服务号，而我之前并没有接触过这方面的开发，直接上公司的项目又担心自己底子不牢。于是乎，我萌生出一个想法，自己搭建一个吧，既能学习，又能做自己喜欢...

年轻人求知欲让我想办CPU设计免费培训 已有 774 次阅读 2016-10-7 09:20|个人分类:计算机核|系统分类:科研笔记|关键词:CPU设计 免费培训 姜咏江 这年头若说有人免费办技术培训班，很多人都会说是骗人的。可见在...

在求知的过程中，我们经常会要面对这样，那样的诱惑。 以读书为例，一部经典的好教材，想要把它读通，搞明白，弄扎实，除了在读的过程中理解作者想要描述 的字面意思以外，往往还需要通过作大量的相关习题及...

兄弟连第2教学楼有句标语: 让学习成为一种习惯. 在兄弟连学习，不仅局限于每日的上课/自习/作业（虽然能完成这些你这5个月...(求知若饥，虚心若愚)”, 讲的是一回事啊 */如果把兄弟连的学习比作一款游戏, 那这个游

贴出最新整理成数据库的英语谚语大全:1. "After you" is good manners. “您先请”是礼貌。2. A bad beginning makes a bad ending. 不善始者不善终。3. A bad bush is better than the open field. 有胜于无。4. A ...

 刚接触linux又是惶恐，又是兴奋，陌生并不可怕，只要有颗求知的心，有奋斗的激情，早晚你会揭开它神秘的面纱。 工作难这几年下来，慢慢发现曾经的激情难续，慢慢又变得惶恐，少了兴奋。  内心深处知

贴出最新整理的英语谚语大全 3267条

一直都是在csdn上求知，也希望自己能给别人带来

浪人的星空 十年磨一剑，历练出锋芒，求知路漫漫，需不断探索之！ HTTP协议相关博客 Android属性之build.prop生成过程

 换位体验行动 目的：亲身体验游戏开发过程中其他位置的另类感觉，满足对于不同职责的好奇心和求知欲，亲身经历开发过程中的不同阶段，了解坐在旁边兄弟姐妹的所感所想。形式：每个人以完全不同的角色参与一个小...

你知道的越多，你不知道的越多 点赞再看，养成习惯 ... 前言 消息队列在互联网技术存储方面使用如此广泛，几乎所有的后端技术面试官都要在消息队列的使用和原理方面对小伙伴们进行360°的刁难。 作为一个在互联网公司...

Author：飘易 Source：飘易 Categories：PHP编程 PostTime：2009-6-27 13:46:45 正 文：  目前许多主机系统为了方便，在IIS的基础上同时解析了ASP、PHP等脚本语言，从而为用户提供了一种全能空间...

大唐杯资料+题库（移动通信）

参加的是2020年的计算机设计大赛，软件应用与开发赛道。我们的开发文档仅供参考。（20页）

这个视频主要讲了laravel5.6版本 路由 控制器 请求响应 模型 视图 。。。太多了，详细的看目录就行了，基本上框架开发常用的功能都讲了。应该算是目前比较详细的框架教程了 学会基础的laravel框架的使用

【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

本课程的主要内容是指针，用10节课五六个小时，从10个角度讲了指针的用法和相关知识点。其中有很多都是C程序员难以理解或者难以应用到实践编程中的知识点，也是嵌入式程序员面试笔试时经常遇到的题目。本课程的目标是让大家深入理解指针的各种使用技巧。 本课程为《C语言高级专题》的第三部分，本专题适合有一定C语言基础（至少要学过C语言，掌握gcc开发环境，会在linux命令行下编写、编译、运行、调试简单C语言程序）的同学；如果是零基础的同学，请先看我的《嵌入式工程师养成计划系列 — 朱老师带你零基础学Linux》和《嵌入式linux C语言完全学习》（光盘里的名字叫《嵌入式linux C编程基础》）

Microsoft Visual C++ 2015-2019 运行库合集，32位64位都有，解决缺失dll包问题。