android自定义GridView长按拖动排序,类似支付宝首页,震动提示,固定最后一个“更多”item。退出应用程序后,保存修改的item位置到数据库,实现记住修改位置。
2023-08-14 10:54:28 2.09MB 拖动,排序
1
FSCapture87 Protable【超好用的截图软件】,下载下来解压即可用
2023-07-14 08:07:47 4.57MB 截图软件 长截图 截图 便携截图
1
雷达高速高机动目标长时间相参积累检测方法
2023-07-06 09:29:31 1.57MB 研究论文
1
可多用户使用的在线上传程序 完全开源的可多用户使用的在线上传程序(测试,学习之用) 本人也是.NET新手,此程序可能在编程思路和实现方法上有很多不足的地方,希望大家多多指正,相互学习. 本实例以学习为主,所以在没在美化上面下功夫,如有赶兴趣的话自己可以改一改. 主要功能有:在线上传、新建、语法高亮编辑、重命名、删除、注册、用户分别给予权限、忘记密码等 用户的管理使用了SQL2005做数据库,所以必须先确保安装了VS2005自带的轻量级服务器或单独装的SQL2005 用户共有三个级别:超级管理员(admins):管理所有用户和分组情况 普通会员(users):限制上传的文件类型,控制不能匿名访问上传的文件 VIP会员(vip):不限制文件上传类型,可以匿名访问上传的文件
2023-06-05 22:04:42 327KB 长传
1
将循环神经网络中的长短期记忆网络和前馈注意力模型相结合,提出一种文本情感分析方案。在基本长短期记忆网络中加入前馈注意力模型,并在TensorFlow深度学习框架下对方案进行了实现。根据准确率、召回率和F1测度等衡量指标,与现有的方案对比表明,提出的方案较传统的机器学习方法和单纯的长短期记忆网络方法有明显的优势。
1
STM32F407ZGT6 使用Hal库(Cube配置) 采用 方法1 串口空闲中断+串口接收中断配合 方法2 串口空闲中断+DMA方式 实现串口接收不定长数据并发送接收到的数据
2023-04-22 20:25:39 14.57MB STM32串口
1
具有递归神经网络的文本生成 使用基于特征的RNN进行文本生成。 我们使用安德烈·卡帕蒂(Andrej Karpathy)的莎士比亚作品集。 给定来自此数据的字符序列(“莎士比亚”),训练模型以预测序列中的下一个字符。 通过重复调用模型,可以生成更长的文本序列。 模型的输出 以下是本教程中的模型训练了30个纪元并以字符串“ Q”开头时的示例输出: 奎妮:我以为你有罗马人。 Oracle这样,使所有人都反对这个词,因为他的照顾太弱了。 您的孩子们在您的圣洁的爱中,通过流血的宝座沉淀。 伊丽莎白·比什普(Bishop of Ely):我的主,嫁给并愿意哭泣,这是最漂亮的。 然而,现在我被世界可悲的一天收为继承人,要和他父亲一起面对面观看新路吗? 埃斯卡洛斯:为什么我们都下了更多儿子的原因。 卷:不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,不,这是没
2023-04-17 22:59:21 70KB Python
1
实验四 数组的表示及其应用 本次实验的主要目的在于帮助读者熟悉矩阵的表示和应用。学会运用矩阵对 实际问题进行建模和设计,熟练运用矩阵求解问题。 [问题描述] 以一个mXn的长方阵表示迷宫, 0和1分别表示迷宫中的通路和障碍。设 计一个程序,对任意设定的迷宫,求出一条从入口到出口的通路,或得出没有通 路的结论。 [基本要求] 首先实现一个以链表作存储结构的栈类型,然后编写一个求解迷宫的非递归 程序。求得的通路以三元组(i, j, d)的形式输出,其中:(i, j)指示迷宫中的一 个坐标,d表示走到下一坐标的方向。如;对于下列数据的迷宫,输出的一条通 路为:(I,1,1),(1,2,2),(2,2,2),(3,2,3),(3,1,2),.。 [CDI0项目要求] 4.有完整的CDIO四个阶段描述 .有友好美观的操作界面 6. 有软件使用说明或帮助文档 4.项目成员分工明确,团结协作 [实验内容] . 难度A:运用矩阵来表示迷宫。能根据用户指定的维数自动生成迷宫,并打 印迷宫中各个位置的状态。个人完成,评分最高70分。 难度B:在A的基础上实现迷宫的自动路径搜索,判断是否存在从起点到终 点的
2023-04-13 00:14:33 4KB 广度搜索
1
基于S7-200PLC剪板机定长控制系统电气控制部分设计样本.doc
2023-04-11 20:54:35 1.16MB 基于S7-200PLC剪板机定长
1
孕妇的产前体检是围产医学的重要组成部分,产前预测胎儿体重可以为判断胎儿健康发育提供准确的参考.孕妇的多次体检记录在孕周时间上有不均匀时间间隔分布的特点.本研究对不均匀时间间隔的处理提出了LSTM模型的变种——变长时间间隔的LSTM模型(Variable Time Interval LSTM,VTI-LSTM).本研究数据来源于2015~2018年多家妇产科医院的10 473个孕妇的122 462条体检记录.实验比较了传统的公式估算法以及GBDT,MLP,SVR,RNN,LSTM,VTI-LSTM等机器学习方法的胎儿体重预测结果,其中,VTI-LSTM在低体重和巨大儿的预测上取得良好的预测结果.
1