无码激情精品专区在线观看,一本到无码专区av无码

例說MCU的端模式

端模式(Endian)的這個(gè)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(shí)是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。在計(jì)算機(jī)業(yè)Big Endian和Little Endian也幾乎引起一場戰(zhàn)爭。在計(jì)算機(jī)業(yè)界，Endian表示數(shù)據(jù)在存儲(chǔ)器中的存放順序。下文舉例說明在計(jì)算機(jī)中大小端模式的區(qū)別。

發(fā)表于：2015/5/28

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(diǎn)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(jì)算，找到初始化類別并進(jìn)行初步計(jì)算得到合適的類別數(shù)目和初始中心點(diǎn)，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(diǎn)選取隨機(jī)性的問題。實(shí)驗(yàn)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：2015/5/28

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(jì)方法。首先根據(jù)經(jīng)驗(yàn)值創(chuàng)建一個(gè)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(gè)瞬時(shí)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(gè)請求，以此來降低整個(gè)服務(wù)過程的時(shí)延，提高請求響應(yīng)速度。實(shí)驗(yàn)表明，該設(shè)計(jì)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(shí)延。

發(fā)表于：2015/5/28

一種動(dòng)態(tài)Web自動(dòng)裝配系統(tǒng)的設(shè)計(jì)與實(shí)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。基于Java 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(shí)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(dòng)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：2015/5/27

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

高校標(biāo)準(zhǔn)化考點(diǎn)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(chǔ)、顯示/控制四個(gè)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(chǔ)、實(shí)時(shí)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：2015/5/27

建筑CAD墻體識別與剪裁算法設(shè)計(jì)

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(jì)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(jì)了基于凹點(diǎn)分割的墻體裁剪算法，該算法已在實(shí)踐中進(jìn)行了反復(fù)驗(yàn)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(jì)思想，構(gòu)建墻體抽象模型，為建筑工程量自動(dòng)計(jì)算提供數(shù)據(jù)支持。

發(fā)表于：2015/5/27

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(gè)探測節(jié)點(diǎn)和一個(gè)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(shí)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(shí)現(xiàn)數(shù)據(jù)接收分析和Web服務(wù)器功能，探測節(jié)點(diǎn)實(shí)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：2015/5/27

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(diǎn)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(diǎn)提??；然后將提取后的興趣點(diǎn)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(jì)算不同圖像特征間的相似度進(jìn)行圖像檢索。仿真實(shí)驗(yàn)證明，該方法能夠充分地提取圖像中的角點(diǎn)、邊緣點(diǎn)和這些點(diǎn)的周圍點(diǎn)，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：2015/5/26

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

Redis+MySQL+MongoDB技術(shù)架構(gòu)實(shí)現(xiàn)了本項(xiàng)目中大數(shù)據(jù)存儲(chǔ)和實(shí)時(shí)云計(jì)算的需求。使用MongoDB切片的水平動(dòng)態(tài)添加，可在不中斷平臺業(yè)務(wù)系統(tǒng)的同時(shí)保障擴(kuò)容后的查詢速度和云計(jì)算效能；依據(jù)切片鍵索引分片，位于各切片獨(dú)立進(jìn)行計(jì)算，使大數(shù)據(jù)下的實(shí)時(shí)分析成為現(xiàn)實(shí)。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：2015/5/25

基于Hadoop的小文件量化方法研究

Hadoop[1]是一個(gè)具有高擴(kuò)展性、高可靠性、高容錯(cuò)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(jì)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(chǔ)。

發(fā)表于：2015/5/25

高職學(xué)生綜合技能評估系統(tǒng)的設(shè)計(jì)與開發(fā)

結(jié)合高職院校職業(yè)技能的評估情況，利用流行的網(wǎng)絡(luò)開發(fā)技術(shù)，應(yīng)用改進(jìn)的決策樹ID3算法和XML技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了高職學(xué)生綜合技能評估系統(tǒng)，為高職教學(xué)提供可行的數(shù)據(jù)和決策支持。

發(fā)表于：2015/5/24

LPC與LSF系數(shù)轉(zhuǎn)換的FPGA實(shí)現(xiàn)

首先根據(jù)切比雪夫多項(xiàng)式求根法對LPC系數(shù)到LSF系數(shù)轉(zhuǎn)換過程進(jìn)行分析與推導(dǎo)，并給出了根據(jù)已知的LSF系數(shù)進(jìn)行逆推求LPC系數(shù)迭代算法。然后，借助DDS算法原理實(shí)現(xiàn)查找表搜索求根，并在FPGA上實(shí)現(xiàn)了LSF系數(shù)到LPC系數(shù)轉(zhuǎn)換。最后，給出了結(jié)論和分析。

發(fā)表于：2015/5/21

基于數(shù)據(jù)挖掘的呼叫中心IVR客戶細(xì)分研究

語音應(yīng)答業(yè)務(wù)利用率低、人力需求成本高是一大問題，對此，結(jié)合案例，運(yùn)用CRISP-DW方法，采用Clementine工具對所得數(shù)據(jù)進(jìn)行分析處理，得到IVR客戶與地區(qū)分布、ARPU值和入網(wǎng)時(shí)長的關(guān)系；對IVR客戶進(jìn)行聚類分析，總結(jié)出其重要特點(diǎn)；提出相應(yīng)對策，幫助提高IVR客戶的滿意度和利用率。建立一個(gè)C5.0決策樹模型，分析預(yù)測客戶是基于什么情況才進(jìn)入IVR系統(tǒng)的。分析IVR客戶與入網(wǎng)時(shí)長、地區(qū)、ARPU值之間的規(guī)則，有助于更準(zhǔn)確地了解IVR客戶并對其細(xì)分。

發(fā)表于：2015/5/18

一種基于文件預(yù)測的分布式緩存模型

在分布式存儲(chǔ)中，客戶端的數(shù)據(jù)訪問請求并非完全隨機(jī)，它是由程序或者用戶的行為驅(qū)動(dòng)，因此文件訪問順序是可以預(yù)測的；服務(wù)器端收到的訪問請求在時(shí)間軸上也非平坦分布，因此服務(wù)器有時(shí)繁忙有時(shí)空閑。為此，提出了一種基于文件預(yù)測的分布式緩存模型，在客戶端預(yù)測將要訪問的文件，并利用服務(wù)器空閑時(shí)間傳輸預(yù)測文件。

發(fā)表于：2015/5/18

LabVIEW中調(diào)用MATLAB進(jìn)行信號處理方法研究

系統(tǒng)是由若干互相有著某種聯(lián)系的單元組成的一個(gè)能夠完成某種功能的整體。信號作用于某系統(tǒng)的響應(yīng)如何，需要以某種方式去分析。系統(tǒng)分析需要經(jīng)過3個(gè)過程：(1)建模，以理論為基礎(chǔ)，對所要研究的對象創(chuàng)建一個(gè)數(shù)學(xué)模型；(2)分析該模型；(3)做出合理的物理解釋。分析過程很關(guān)鍵，方式方法很多，工具也很多，MATLAB和LabVIEW是常用的兩個(gè)軟件分析平臺。

發(fā)表于：2015/5/13