摘要： char pBuf[MAX_PATH]; //存放路径的变量 GetCurrentDirectory(MAX_PATH,pBuf); //获取程序的当前目录 strcat(pBuf,"\\"); strcat(pBuf,A... 阅读全文

摘要： TO_DATE格式(以时间:2007-11-02 13:45:25为例) Year: yy two digits 两位年 显示值:07 yyy three digits 三位年 显示值:007 yyyy four digits 四位年 显示值:2007 Month: mm number 两位... 阅读全文

摘要： 按照突发事件发生的紧急程度、发展势态和可能造成的危害程度分为：一级、二级、三级、四级，分别用红色、橙色、黄色、蓝色标示，一级为最高级别。目录1简介2分类▪ 台风▪ 暴雨▪ 暴雪▪ 寒潮▪ 大风▪ 沙尘暴▪ 高温▪ 干旱▪ 雷电▪ 冰雹▪ 霜冻▪ 大雾▪ 霾▪ 道路结冰1简介编辑警报级别又称预警级别预... 阅读全文

摘要： Java 中有两种方式连接oracle数据库，一种是jdbc,另一种是jdbc_odbc：注：本机上有一名为simlink的oracle数据库方法一：jdbc方式1、工作环境：myeclipse中->新建java_oracle工程->新建包com.zp->新建java_oracle_jdbc.jav... 阅读全文

摘要： spring2+struts2+hibernate3实现连接两个数据库jdbc.properties文件，写数据库的连接信息jdbc.driverClassName=com.mysql.jdbc.Driverjdbc.url=jdbc:mysql://127.0.0.1:3306/destoon?u... 阅读全文

摘要： scott用户的密码不对，进入管理员用户，修改scott用户密码即可 或者这样修改密码：在运行栏里面敲:sqlplus(空格)/nolog 回车接着在弹出框里面敲：conn sys/password as sysdba回车提示已连接最后敲：alter user scott identified by... 阅读全文

摘要： 方法一：如果一个点在这个凸四边形内，那么按照顺时针方向，该点一定在每条边的右侧。可使用矢量叉积来看：该方法只适用于凸多边形。矢量叉积： 计算矢量叉积是与直线和线段相关算法的核心部分。设矢量P=(x1,y1)，Q=(x2,y2)，则矢量叉积定义为由(0,0)、p1、p2和p1+p2所组成的平行四边形... 阅读全文

摘要： 运用CSS语法美化表格Table2010-08-2810:50:44来源：西部e网作者：浏览次数：284 注：除非特殊声明，本文所举各例插入的表格的cellspacing、cellpadding、border值均为0。 例一：1px表格 很多人热衷于制作1px表格，于是发明了各式各样的方法... 阅读全文

摘要： 下载文件问题(弹出多余空白页面)最近在项目中经常用到模态窗口(showModalDialog)，客户需要在一个模态窗口中有"生成Excel报表"并"导出"的功能。接到任务后，直接就开始按常规操作实现。 在按钮的Click事件中，根据模板生成Excel报表，填充数据，保存到临时文件夹，然后用Response.WriteFile函数输出文件，一切看上去都很顺利。代码如下：Java代码 //根据数据集创建Excel报表并返回Excel报表路径stringfileName=CreateExcel(ds); Response.Clear(); Response.C 阅读全文

摘要： windows2008 这么高级的系统不可能改个系统的日期时间显示格式还要进注册表啊。于是有baidu，google了下终于发现了，原来还有不需要注册表的更简便方法。windows2008默认时间格式是2012/6/10，这和我们程序中的一些功能产生了冲突，我们一般使用2012-6-10这种格式。根据以往经验，在控制面板－区域和语言选项中，把时间格式设置为yyyy-M-d，但是发现没有效果，重启后还是一样。时间也是类似，英文系统上默认是h:mm:ss tt之类的显示格式，也就是23:30:10 P.M.，就是这个AM，PM也会让程序出错，光在控制面板改日期显示格式只是对当前用户起作用，并不能修 阅读全文

摘要： [c-sharp] view plaincopyprint?//======================================================== //type.cpp //byleo //5.13.2011 //======================================================== #include #include #include #include usingnamespacestd;//-------------------------------------------------------- intmain( 阅读全文

摘要： 图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。 在这些庞大的分类方法中，基于直方图的全局二值算法占有了绝对的市场份额，这些算法都从不同的科学层次提出了各自的实施方案，并且这类方法都有着一些共同的特点： 1、简单； 2、算法容易实现；3、执行速度快。 本文摘取了若干种这类方法进行了介绍。 一：灰度平局值值法： 1、描述:即使用整幅.. 阅读全文

摘要： 最大类间方差法（otsu）的原理： 阈值将原图象分成前景，背景两个图象。 前景：用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度 后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准 而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源） 在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的... 阅读全文

摘要： 一、基础 对于彩色转灰度，有一个很著名的心理学公式： Gray = R*0.299 + G*0.587 + B*0.114二、整数算法 而实际应用时，希望避免低速的浮点运算，所以需要整数算法。 注意到系数都是3位精度的没有，我们可以将它们缩放1000倍来实现整数运算算法： Gray = (R*299 + G*587 + B*114 + 500) / 1000 RGB一般是8位精度，现在缩放1000倍，所以上面的运算是32位整型的运算。注意后面那个除法是整数除法，所以需要加上500来实现四舍五入。 就是由于该算法需要32位运算，所以该公式的另一个变种很流行： Gray = (R*30... 阅读全文

摘要： FP-Growth算法 FP-Growth(频繁模式增长)算法是韩家炜老师在2000年提出的关联分析算法，它采取如下分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树（FP-Tree），但仍保留项集关联信息；该算法和Apriori算法最大的不同有两点：第一，不产生候选集，第二，只需要两次遍历数据库，大大提高了效率。算法伪代码算法：FP-增长。使用FP-树，通过模式段增长，挖掘频繁模式。输入：事务数据库D；最小支持度阈值min_sup。输出：频繁模式的完全集。1． 按以下步骤构造FP-树：(a) 扫描事务数据库D 一次。收集频繁项的集合F 和它们的支持度。对F 按支持度降序排序，结果为频繁项表 阅读全文

摘要： 接着前面的博客Frequent Pattern之四继续分析。结果聚合请看伪码如下：这个mapreduce实际上完成了一个index的功能，把上一步的结果进行了一个处理，它把上一步得到的frequent pattern按照item做了索引，这要得到的最后结果就是某一个item对应着一组frequent pattern。它把这些frequent pattern放在一个堆里，便于按频率的高低顺序进行访问。伪码中的if-else其实就是把frequent pattern插入堆，如果堆满了，和频率最小的那个节点（也就是根节点）比较一下，如果新节点的值大的话，删掉根节点，插入新节点。这样做的目的是始终保持 阅读全文

摘要： 这一篇博客接前面的博客分析MapReduce框架下FP Growth算法详细步骤。Sharding这一步没什么好讲的，将数据库分成连续的大小相等的几个块，放置在不同的机器上。以Hadoop来讲，其框架本身就将整个数据库放在不同的机器上，形成不同的分区，因此在Hadoop上我们本身都不需要做什么。F_list计算这一步来讲也没什么好讲的，就是一个简单的频率统计，这是MapReduce最简单的一种应用。下面给出伪码，读者自己分析一下很容易看明白。条目分组这一步难度也不大。将F_list分成几个组而已。从这一步开始，为了更好得阐述算法的详细步骤，我们举个例子来说明问题。后边的所有步骤的举例都是基于这 阅读全文

摘要： 前面的博客分析了关联分析中非常重要的一个算法-FP Growth.该算法根据数据库在内存中构造一个精巧的数据结构-FP Tree,通过对FP Tree不断的递归挖掘就可以得到所有的完备Frequent Patterns.但是在目前海量数据的现状下，FP Tree已经大到无法驻留在计算机的内存中。因此，并行化是唯一的选择。这篇博客主要讲一下如何在MapReduce框架下进行并行FP挖掘，它主要的算法在文献1中有详细描述。如何进行FP Growth的并行化呢？一个很自然的想法就是，将原始的数据库划分成几个分区，这几个分区分别在不同的机器上，这样的话我们就可以对不同数据分区并行得进行FP Growt 阅读全文

摘要： 数据挖掘中有一个很重要的应用，就是Frequent Pattern挖掘，翻译成中文就是频繁模式挖掘。这篇博客就想谈谈频繁模式挖掘相关的一些算法。定义何谓频繁模式挖掘呢？所谓频繁模式指的是在样本数据集中频繁出现的模式。举个例子，比如在超市的交易系统中，记载了很多次交易，每一次交易的信息包括用户购买的商品清单。如果超市主管是个有心人的话，他会发现尿不湿，啤酒这两样商品在许多用户的购物清单上都出现了，而且频率非常高。尿不湿，啤酒同时出现在一张购物单上就可以称之为一种频繁模式，这样的发掘就可以称之为频繁模式挖掘。这样的挖掘是非常有意义的，上述的例子就是在沃尔玛超市发生的真实例子，至今为工业界所津津乐道 阅读全文

摘要： FP树构造FP Growth算法利用了巧妙的数据结构，大大降低了Aproir挖掘算法的代价，他不需要不断得生成候选项目队列和不断得扫描整个数据库进行比对。为了达到这样的效果，它采用了一种简洁的数据结构，叫做frequent-pattern tree(频繁模式树)。下面就详细谈谈如何构造这个树，举例是最好的方法。请看下面这个例子：这张表描述了一张商品交易清单，abcdefg代表商品，(ordered)frequent items这一列是把商品按照降序重新进行了排列，这个排序很重要，我们操作的所有项目必须按照这个顺序来，这个顺序的确定非常简单，只要对数据库进行一次扫描就可以得到这个顺序。由于那些非 阅读全文