以后可能Java只是我的业余爱好了

angues1980 2005-09-01 07:58:33
去了个公司,要用COBOL做东西。
本着“条条大路通罗马”的想法,下定决心把COBOL学好,以后Java可能只是自己的业余爱好咯
^_^
...全文
367 23 打赏 收藏 举报
写回复
用AI写文章
23 条回复
切换为时间正序
请发表友善的回复…
发表回复
javadiablo 2005-09-03
  • 打赏
  • 举报
回复
JF
zhkchi 2005-09-03
  • 打赏
  • 举报
回复
以后记得来散散分啊,学什么都一样。开心就好了
dlxu 2005-09-03
  • 打赏
  • 举报
回复
COBOL主要就是对大型机开发的
  • 打赏
  • 举报
回复
哦不是也跑去做.net了,好像搞个java兼职做作,哪怕没有钱。用这也舒服阿
angues1980 2005-09-03
  • 打赏
  • 举报
回复
想买本学COBOL的书都买不到,郁闷~
nwpulipeng 2005-09-02
  • 打赏
  • 举报
回复
跳槽吧,不要做什么cobol了,没前途
bistar 2005-09-02
  • 打赏
  • 举报
回复
楼主是做对日的吧,COBOL面有点窄了,不过玩精了成高手到哪都是仙,记得常回来看看哟~~
amorcupt 2005-09-02
  • 打赏
  • 举报
回复
据以前公司的COBOL前辈说,这个语言一个月内绝对上手,两个月内绝对高手
然后就是设计的事情和重复的工作了。
henry_yuan 2005-09-02
  • 打赏
  • 举报
回复
COBOL不太了解,谁能大致给解释一下?
希望你还要是JAVA人.
Noman 2005-09-02
  • 打赏
  • 举报
回复
JF
kerry2008 2005-09-02
  • 打赏
  • 举报
回复
喜欢就行了
我来接分
saiche05 2005-09-02
  • 打赏
  • 举报
回复
职场得意就行!

祝你情场也得意!
hl8189 2005-09-01
  • 打赏
  • 举报
回复
别放弃JAVA,JAVA是个好东西
luanzi 2005-09-01
  • 打赏
  • 举报
回复
jf
洪泉 2005-09-01
  • 打赏
  • 举报
回复
只要还是程序员就是战友!
interhanchi 2005-09-01
  • 打赏
  • 举报
回复
jf
3yugui 2005-09-01
  • 打赏
  • 举报
回复
你是那里有兴趣可以来我们公司,联系emai:ygsoft@126.com
jacshan 2005-09-01
  • 打赏
  • 举报
回复
努力吧
但是不要望了java
hawaii_wx 2005-09-01
  • 打赏
  • 举报
回复
条条大路通罗马
homesos 2005-09-01
  • 打赏
  • 举报
回复
努力吧
做啥都一样滴,只要有用就行
加载更多回复(3)
大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。

23,404

社区成员

发帖
与我相关
我的任务
社区描述
Java 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧