免费无码男同bl肉片在线观看,久久93精品国产91久久综合

Linux系統(tǒng)實現(xiàn)資源網(wǎng)絡(luò)共享方法的研究

針對Linux系統(tǒng)應(yīng)用中資源網(wǎng)絡(luò)共享的方法，研究采用NFS、Samba、FTP和其他軟件工具實現(xiàn)共享的途徑及其特殊性，實現(xiàn)安全、可靠、穩(wěn)定和完善的Linux系統(tǒng)資源共享服務(wù)。

發(fā)表于：6/1/2015

基于用戶相似度遷移的協(xié)同過濾推薦算法

數(shù)據(jù)稀疏性問題是傳統(tǒng)的協(xié)同過濾算法主要的瓶頸之一。遷移學(xué)習(xí)利用輔助領(lǐng)域的用戶評分信息，有效地緩解了目標(biāo)領(lǐng)域的稀疏性問題?，F(xiàn)有的遷移學(xué)習(xí)推薦算法中，普遍存在領(lǐng)域間的用戶需要一致、模型平衡參數(shù)較多等限制。針對這些局限性，提出了一種用戶相似度遷移的模型，利用輔助領(lǐng)域的用戶相似度幫助目標(biāo)領(lǐng)域用戶相似度的學(xué)習(xí)。此外，通過一種用戶特征子空間的距離來度量模型的平衡參數(shù)，使模型更加具有智能性。實驗結(jié)果表明，該模型與其他協(xié)同過濾算法相比較能夠更有效地緩解數(shù)據(jù)稀疏性問題

發(fā)表于：5/31/2015

基于壓縮感知的NC-OFDM系統(tǒng)的BAOMP算法的信道估計

采用基于信號處理領(lǐng)域最近興起的壓縮感知理論對NC-OFDM系統(tǒng)進(jìn)行信道估計，并將回溯迭代自適應(yīng)正交匹配追蹤算法（BAOMP）應(yīng)用到NC-OFDM系統(tǒng)的信道估計中，該算法在每次回溯迭代中核查所選原子的可靠性并刪除不可靠原子。理論分析和仿真實驗表明，BAOMP算法不但可以減少導(dǎo)頻的數(shù)目，而且其在保持OMP類算法優(yōu)點的同時，有著更好的重構(gòu)性能，且不需要預(yù)先知道稀疏度K。

發(fā)表于：5/31/2015

從零開始走進(jìn)FPGA LCD1602 Hello World

雷同于前面MCU按鍵消抖動移植代碼，此處也可以移植MCU LCD1602驅(qū)動代碼。本例程不是Bingo原創(chuàng)，是按照網(wǎng)友“小時不識月”的代碼，移植修改最后定型為Bingo版本(O(∩_∩)O哈哈~)。

發(fā)表于：5/29/2015

全面解析華為全球聯(lián)接指數(shù)2015：數(shù)字經(jīng)濟(jì)的晴雨表

當(dāng)前，世界各國正在經(jīng)歷著傳統(tǒng)經(jīng)濟(jì)向數(shù)字經(jīng)濟(jì)的轉(zhuǎn)型。云計算、大數(shù)據(jù)和移動等技術(shù)的應(yīng)用與普及，推動 ICT環(huán)境逐漸走向成熟，物聯(lián)網(wǎng)技術(shù)與應(yīng)用在新的環(huán)境中得到蓬勃發(fā)展，已經(jīng)成為推動創(chuàng)新的主要力量。

發(fā)表于：5/29/2015

例說MCU的端模式

端模式(Endian)的這個詞出自Jonathan Swift書寫的《格列佛游記》。這本書根據(jù)將雞蛋敲開的方法不同將所有的人分為兩類，從圓頭開始將雞蛋敲開的人被歸為Big Endian，從尖頭開始將雞蛋敲開的人被歸為Littile Endian。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。在計算機(jī)業(yè)Big Endian和Little Endian也幾乎引起一場戰(zhàn)爭。在計算機(jī)業(yè)界，Endian表示數(shù)據(jù)在存儲器中的存放順序。下文舉例說明在計算機(jī)中大小端模式的區(qū)別。

發(fā)表于：5/28/2015

基于K-means的私人微博聚類算法改進(jìn)

針對私人微博內(nèi)容進(jìn)行聚類研究，結(jié)合私人微博的內(nèi)容和結(jié)構(gòu)特點提出了基于K-means的改進(jìn)聚類算法。通過添加引用和評論內(nèi)容豐富了文本內(nèi)容，降低了短文本矩陣向量嚴(yán)重稀疏性帶來的聚類算法準(zhǔn)確性降低的影響；通過甄別“微話題”內(nèi)容和改進(jìn)相似度的計算，找到初始化類別并進(jìn)行初步計算得到合適的類別數(shù)目和初始中心點，解決了K-means算法中聚類數(shù)目K需人工指定和初始中心點選取隨機(jī)性的問題。實驗結(jié)果表明，改進(jìn)后的算法不僅可以自適應(yīng)地得到K值，較普通的K-means算法在聚類的準(zhǔn)確率上有所提高。

發(fā)表于：5/28/2015

多維Web服務(wù)網(wǎng)關(guān)的高并發(fā)問題研究

為了解決多維服務(wù)網(wǎng)關(guān)因高并發(fā)情況而導(dǎo)致的網(wǎng)絡(luò)擁塞、服務(wù)器性能降低問題，提出了一種改進(jìn)的線程池服務(wù)器設(shè)計方法。首先根據(jù)經(jīng)驗值創(chuàng)建一個尺寸最優(yōu)的線程池，并結(jié)合SQLite數(shù)據(jù)庫為線程池添加一個瞬時同類服務(wù)請求合并模塊。該模塊對請求連接進(jìn)行分類，劃分優(yōu)先級，然后根據(jù)不同的請求優(yōu)先級把與其優(yōu)先級對應(yīng)的Tl秒內(nèi)的同類請求合并為1個請求，以此來降低整個服務(wù)過程的時延，提高請求響應(yīng)速度。實驗表明，該設(shè)計能夠有效地降低高并發(fā)情況下的擁塞現(xiàn)象，并降低網(wǎng)絡(luò)時延。

發(fā)表于：5/28/2015

一種動態(tài)Web自動裝配系統(tǒng)的設(shè)計與實現(xiàn)

大多數(shù)中小企業(yè)的Web系統(tǒng)屬于輕量級業(yè)務(wù)處理?；贘ava Web平臺，提出了一種輕量化系統(tǒng)開發(fā)架構(gòu)，該架構(gòu)實現(xiàn)了請求形式的改變與業(yè)務(wù)處理本質(zhì)的統(tǒng)一，支持常規(guī)業(yè)務(wù)邏輯的自動裝配處理，具有可復(fù)用、標(biāo)準(zhǔn)化、代碼量低的優(yōu)勢。

發(fā)表于：5/27/2015

視頻監(jiān)控技術(shù)在標(biāo)準(zhǔn)化考點網(wǎng)上巡查系統(tǒng)中的應(yīng)用

高校標(biāo)準(zhǔn)化考點網(wǎng)上巡查系統(tǒng)是基于IP網(wǎng)絡(luò)智能視頻監(jiān)控技術(shù)上建立起來的綜合性教育考試管理業(yè)務(wù)應(yīng)用系統(tǒng)。該系統(tǒng)由前端、傳輸、存儲、顯示/控制四個部分組成。建成后的網(wǎng)上巡查系統(tǒng)可以通過監(jiān)控管理平臺，對考場內(nèi)的音視頻圖像進(jìn)行采集、傳輸、存儲、實時監(jiān)控及對歷史音視頻數(shù)據(jù)進(jìn)行檢索、回放、下載等操作，可以做到考試全過程監(jiān)控，起到事前監(jiān)督、事中控制、事后取證的作用。

發(fā)表于：5/27/2015

建筑CAD墻體識別與剪裁算法設(shè)計

以建筑AutoCAD矢量圖形文件為研究載體，以墻體為主要研究對象，設(shè)計了墻體數(shù)據(jù)深度優(yōu)先探測提取算法。根據(jù)提取出的墻體數(shù)據(jù)集合，設(shè)計了基于凹點分割的墻體裁剪算法，該算法已在實踐中進(jìn)行了反復(fù)驗證，高效可靠。在此基礎(chǔ)上提出了以中軸線+屬性形式代替墻體的設(shè)計思想，構(gòu)建墻體抽象模型，為建筑工程量自動計算提供數(shù)據(jù)支持。

發(fā)表于：5/27/2015

基于嵌入式Web服務(wù)器的無線空氣質(zhì)量監(jiān)測系統(tǒng)

提出了以多個探測節(jié)點和一個監(jiān)測終端利用有線和無線相結(jié)合，構(gòu)建小范圍內(nèi)無線采集環(huán)境信息系統(tǒng)，通過監(jiān)測終端實現(xiàn)與互聯(lián)網(wǎng)相連，達(dá)到遠(yuǎn)程監(jiān)測功能。監(jiān)測終端實現(xiàn)數(shù)據(jù)接收分析和Web服務(wù)器功能，探測節(jié)點實現(xiàn)對空氣中一氧化碳、VOC（Volatile Organic Compounds）、煙霧、可燃?xì)怏w的濃度的采集、處理、顯示和無線傳輸。

發(fā)表于：5/27/2015

基于概率密度和ASIFT的彩色圖像檢索方法

針對全局圖像特征不能有效刻畫彩色圖像內(nèi)容信息的問題，提出了一種基于興趣點的彩色圖像特征檢索方法。首先基于仿射-尺度不變特征轉(zhuǎn)換（ASIFT）算法，利用亮度概率密度梯度進(jìn)行興趣點提??；然后將提取后的興趣點映射回原圖像，構(gòu)建顏色直方圖作為圖像的特征；最后通過計算不同圖像特征間的相似度進(jìn)行圖像檢索。仿真實驗證明，該方法能夠充分地提取圖像中的角點、邊緣點和這些點的周圍點，較好地表達(dá)圖像的內(nèi)容，最終得到比較理想的檢索結(jié)果。

發(fā)表于：5/26/2015

基于Redis+MySQL+MongoDB存儲架構(gòu)應(yīng)用

Redis+MySQL+MongoDB技術(shù)架構(gòu)實現(xiàn)了本項目中大數(shù)據(jù)存儲和實時云計算的需求。使用MongoDB切片的水平動態(tài)添加，可在不中斷平臺業(yè)務(wù)系統(tǒng)的同時保障擴(kuò)容后的查詢速度和云計算效能；依據(jù)切片鍵索引分片，位于各切片獨立進(jìn)行計算，使大數(shù)據(jù)下的實時分析成為現(xiàn)實。對于高頻訪問的數(shù)據(jù)放在了Redis中，有效地降低磁盤I/O，使業(yè)務(wù)系統(tǒng)響應(yīng)更為敏捷，滿足了高并發(fā)下應(yīng)用服務(wù)的高呑吐要求。

發(fā)表于：5/25/2015

基于Hadoop的小文件量化方法研究

Hadoop[1]是一個具有高擴(kuò)展性、高可靠性、高容錯性和高效性的開源軟件系統(tǒng)，它已成為互聯(lián)網(wǎng)、金融、生物信息學(xué)等領(lǐng)域進(jìn)行大數(shù)據(jù)分析和處理的代表性云計算平臺。它由Hadoop Distributed File System（HDFS）[2]和MapReduce[3]兩部分組成，其中，MapReduce主要用來處理數(shù)據(jù)密集型數(shù)據(jù)，而HDFS則主要負(fù)責(zé)大數(shù)據(jù)的存儲。

發(fā)表于：5/25/2015