墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.1k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
1 增加新的应用服务器
VIEW->Application Server Navigator
然后在 Application Server 面板 右键菜单选择 New Application Server...
选中 Standalone Server, Next ->
Connection Name 填入 JBossServer
Connection Type 选择 JBoss 5.X ,,Next
填入验证的用户名与密码, Next
配置 JBoss的 deploy 目录 Next
测试连接 OK
2.增加类库到JBoss库中
把需要的 类库从 oracle_common\modules中 拷贝到JBoss服务器的LIB目录
如部署 ADF 则需拷贝 oracle.adf. 名开头的目录下的JAR到LIB
3.部署应用程序
Application-->Application Properties-->Deployment-->选中项目的设置文件, Edit--> Platform --->设置 Default Platform 和 Target Connection
OK
Oracle JDeveloper 11g技术
Jdeveloper安装Tomcat步骤
Jdeveloper安装Tomcat步骤
OAF 开发前置配置
1.从oracle官方下载EBS对应版本的Jdeveloper开发工具并解压到本地磁盘 在 metalink 上搜索：416708.1 即可找到对应版本的 2.下载相应EBS数据库DBC文件 2.1 服务器文件路径地址 $FND_SECURE 2.2 将下载的DBC文件放在Jdeveloper解压后的本地路径 C:\JDeve...
Jdeveloper安装以及部署步骤（图文结合）
Jdeveloper安装以及部署步骤（图文结合）
JDeveloper配置
1. Java虚拟机堆大小 \jdeveloper\jdev\bin\jdev.conf AddVMOption -Xmx512M
用 n8n 提取静态网页内容：从 HTTP Request 到 HTML 节点全解析
本文介绍了如何使用n8n的HTTP Request和HTML节点组合提取静态网页内容。首先通过HTTP Request节点获取网页HTML源码，然后使用HTML节点解析并提取所需数据。关键点包括：1）HTTP Request节点设置URL和GET方法；2）HTML节点配置Source Data为JSON并指定data字段；3）重点掌握Extraction Values参数，特别是CSS选择器（使用.和#定位元素）、Key命名、Return Value类型选择等。文章通过实例演示了标题和正文的提取方法，并提供
如何更好的理解PFC（功率因数校正）
此电路虽然简单，可以在前期设计的无PFC功能的设备上，简单的增加一个合适的电感（适当的选取L和C的值），从而达到具有PFC的作用，但是这种简单的、低成本的无源PFC输出纹波较大，滤波电容两端的直流电压也较低，电流畸变的校正及功率因数补偿的能力都很差，而且L的绕制及铁芯的质量控制不好，会对图像及伴音产生严重的干扰，只能是对于前期无PFC设备使之能进入市场的临时措施。）在t4~t5期间尽管二极管左边电压在逐步上升，但是由于二极管右边的Uc放电缓慢右边的电压Uc仍旧大于左边，二极管仍旧反偏截止。
设置JDeveloper工作空间
在 [jdev_home]/jdev/bin/jdev.boot 文件 最后一行加入 ide.user.dir=E:/JDevRuntime12.2.1.0.0
Claude Code × SolidWorks：批量填属性、格式转换、BOM 汇总自动化实战
摘要：本文介绍利用 Claude Code 生成 VBA 宏实现 SolidWorks 批量处理任务的自动化方案。包含5个实战案例：批量填写自定义属性（60分钟任务→10秒）、批量格式转换（80分钟→30秒）、多配置工程图自动生成（120分钟→2分钟）、滚珠丝杠选型计算（15分钟→10秒）和装配体递归BOM导出（40分钟→1分钟）。所有代码基于SolidWorks 2020+ API，提供完整VBA实现和操作指南，可显著提升设计效率。
JDeveloper配置JBoss
转自http://blog.youkuaiyun.com/andywan/article/details/6635845 1 增加新的应用服务器 VIEW->Application Server Navigator 然后在 Application Server 面板 右键菜单选择 New Application Server... 选中 Standalone Server, Ne...
从 SAP GUI 到 API 自动化，为什么 SAP 团队必须把 API 拉到路线图中央
摘要： SAP项目正从传统手工操作转向API驱动，以应对业务敏捷性需求。API不仅是技术接口，更是核心业务能力的标准化封装，助力自动化、低代码、AI集成和系统升级。通过SAP Business Accelerator Hub等工具，企业可复用标准API替代定制开发，减少技术债。API还赋能自动化平台、实时集成和AI Agent执行，确保安全治理与审计追踪。未来，API将成为企业系统与AI交互的核心桥梁，缺乏API将迫使业务依赖脆弱的UI自动化方案。
基于Simulink的自适应控制（Adaptive Control）电励磁同步电动机
目录基于Simulink的自适应控制（Adaptive Control）电励磁同步电动机项目实例1. 项目背景2. 系统架构2.1 电励磁同步电动机模型2.2 三相逆变器模型2.3 自适应控制器（Adaptive Controller）2.4 系统框图3. 模型设计3.1 创建Simulink模型3.2 自适应控制（Adaptive Control）设计3.3 仿真环境搭建4. 参数优化4.1 自动调优5. 实际应用案例5.1 工业驱动系统5.2 风力发电系统6. 结论进一步优化建议需求分析电励磁同步电动机
java 中db2 驱动连接配置文件_为使用 DB2 UDB 配置第三方应用服务器
简介通过为数据库配置应用服务器/IDE，在 WebLogic 应用服务器、JBoss 应用服务器或 JDeveloper IDE 上创建 JDBC 连接，并在使用应用服务器开发的 J2EE 应用程序中使用这个到 DB2 数据库的连接。本文将向您展示如何从 WebLogic 和 JBoss 服务器配置 JDBC 连接，而且还将介绍 JDeveloper IDE。JBoss 是一个开源应用服务器，在默...
OpenClaw实战系列10（完结篇）：企业级应用实战案例——从0到1搭建智能客服系统
本文以一家跨境电商公司为例，从需求分析、系统设计、分步搭建到上线运营，完整呈现智能客服系统的落地全过程。所有配置命令和截图均来自实测环境，你可以直接复制使用。
为使用 DB2 UDB 配置第三方应用服务器
简介 通过为数据库配置应用服务器/IDE，在 WebLogic 应用服务器、JBoss 应用服务器或 JDeveloper IDE 上创建 JDBC 连接，并在使用应用服务器开发的 J2EE 应用程序中使用这个到 DB2 数据库的连接。本文将向您展示如何从 WebLogic 和 JBoss 服务器配置 JDBC 连接，而且还将介绍 JDeveloper IDE。 JBoss 是一个开源应用
多模态对齐方案
本文中我们介绍了 13 中常见的大型多模态模型（Large Multimodal Models, LMM），包括 BLIP-2，LLaVA、MiniGPT、Qwen-VL 以及 Ferret 等。最全 LMM 模型结构（13种）综述。单层linear投影、两层mlp。
超十万字解读Spring AI实战：开篇
大模型技术正以惊人的速度改变世界，2025年的人工智能已不再是科幻，而是现实。大模型如ChatGPT等，正在重塑各行各业，降低技术门槛，使专业能力普及化。SpringAI的出现为Java开发者提供了桥梁，使其能在企业级系统中稳定运行AI，同时保持工程化思维。尽管SpringAI在生态、学习成本和性能上存在不足，但其企业级基因和国产化适配能力使其成为Java开发者的重要工具。本系列文章旨在介绍SpringAI的功能与特性，鼓励更多Java开发者参与AI实践，共同探索AI时代的无限可能。
JDBC 4.0 and Oracle JDeveloper for J2EE Development
版权声明：原创作品，允许转载，转载时请务必以超链接形式标明文章原始出版、作者信息和本声明。否则将追究法律责任。http://blog.youkuaiyun.com/topmvp - topmvpData retrieval and storage is one of the most common components of J2EE applications. JDBC (Java Database Con
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
ADF+JBPM5
下载了JBPM5.3，安装包是和eclipse捆绑一起的。eclipse的版本是helios。 想用ADF和JBPM5开发应用程序，找到了ORACLE 的Enterprise Pack for Eclipse，也是和eclipse捆绑在一起的。支持eclipse的两个版本 下载了Eclipse3.7(Indigo) 32位的版本，运行eclipse时一闪而过，原来是windows 7的问题，用
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
第三章-Oracle JDeveloper 與 OC4J
看過了 Oracle 初步介紹，看過了 Oracle JDeveloper 和 Oracle Database 的整合，我們這個部分將來先看 Deploy 的環境，在整個 Oracle J2EE 的產品家族中，Oracle Application Server是 Oracle 的
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
JBoss 系列九十： 红帽发布 JBoss BPM Suite 6 最终版本
前天红帽软件发布了Red Hat JBoss BPM Suite 6 最终版，这意味着之前发布的社区版6.0(jBPM 6 发布，快速安装，新功能介绍)有对应企业版的支持，社区版6.0将会被以7+3（7年正常支持，3年延长支持）的模式进行维护和支持。通常社区版的产品 represent the latest development releases and are not supported.而企
Oracle ADF on JBoss
Abstract The purpose of this note is to show how you create an ADF BC Application Module and how you deploy it on a JBoss Application Server. It will also show you what configurations you need to per
Oracle JDeveloper 10.1.3 正式发布
原先的10.1.3 Early access已经在download上去除了，现在可以下载这个正式的版本了。10.1.3支持整个JSF Web开发循环，并且附带了OC4J 10.1.3支持EJB3.0，附带Oracle ADF Face组件和TopLink的一个开发版本，当然还有一个SQL执行器，用来连接、调试数据库。260M的文件包也确实够大的，启动Web项目后，内存占用稳定在300-40
用Maven打包成EAR远程部署JBoss（一）——打包及手动部署到本地
这两天分到了一个任务，需要弄一下怎样用Maven将我们现在的项目打成一个EAR包，然后部署到远程JBoss中，这样我们每次部署的时候就会方便很多，话不多说，先看下我们项目的一个大致包结构，包前面的数字表示部署之后的加载顺序。 1：实体；2，3：数据库操作封装的EJB接口和实现；4，5：业务逻辑层EJB的接口和实现；7web层 首先我们要做的是将这些打成一个ear包，推荐网址：官网。
JAVA开发环境选择与配置
2019独角兽企业重金招聘Python工程师标准>>> ...
群雄逐鹿 十四种Java开发工具点评
在计算机开发语言的历史中，从来没有哪种语言象Java那样受到如此众多厂商的支持，有如此多的开发工具，Java菜鸟们如初入大观园的刘姥姥，看花了眼，不知该何种选择。的确，这些工具各有所长，都没有绝对完美的，就算是老鸟也很难做出选择。本期专题简要介绍了常见的十四种Java开发工具的特点。管中窥豹，虽不是那么全面，仍期望能对大家有所帮助。 ⊙J
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
267
扫一扫
