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
1.6k累计阅读
1.7k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
最近由于项目的需要，开始做关于水晶报表的开发，遇到一问题，总结如下 ：
1、字段更改的问题：用push模式已设计好了一张报表，取数等都已全部做完，报表也可以正常显示了，但现在数据库有两个字段的字段名改了，再运行现在的报表总提示找不到那两个字段，字段名改了，肯定找不到了
，并且发现了另外一个问题，就是dataset已经更新了，并且又添加了一个表，可数据专家里面怎么刷新也不出来，气死我了。 最后在csdn论坛上经过大侠指点，得到解决，方法如下：
打开dataset，重新生成一下数据集，然后转到水晶报表，运行verify Database命令，会提示发现更改，然后会弹出一个窗口，窗口中列出了unmap的字段，在窗口中点相应的字段，然后map，点确定回到水晶报表，保存就OK了，如果生成了dataset后在数据专家里面还是没改的话，可以先预览一下dataset
深入理解水晶报表组件：从基础到实战
本文还有配套的精品资源，点击获取 简介：水晶报表组件（Crystal Reports）是设计复杂报表的商业智能工具，特别强调版本8.0的流行度和与开发平台的集成。组件的引用顺序对项目构建至关重要。它提供丰富的报表设计功能，支持多数据源，拥有直观的拖放界面和内置公式编辑器，支持参数化报表、导出、打印以及与报表服务器的集成。正确使用这些组件可以显著提升数据展现质量和企业决策的数...
水晶报表基本使用方法
开发工具与关键技术：VS/MVC 作者：何桂朋 撰写时间：2019年4月22日 Crystal Reports（水晶报表）是一款商务智能（BI）软件，主要用于设计及产生报表。水晶报表是业内最专业、功能最强的报表系统，它除了强大的报表功能外。最大的优势是实现了与绝大多数流行开发工具的集成和接口。在VS.Net平台做过报表开发的程序员，一定都对水晶报表强大、高效、集成等特性留下了深刻印象。 除了开发新...
Crystal Reports 10.5 安装部署与运行时兼容性实战指南
在企业级报表工具的发展历程中，Crystal Reports 凭借其强大的数据源适配能力和灵活的报表设计方式，长期占据着传统业务系统的重要位置。作为较早引入组件化设计理念的报表平台，其运行时与设计器分离的架构深刻影响了后续商业智能工具的发展。理解这一分层机制，不仅有助于解决软件兼容性问题，更能帮助技术人员在面对历史系统时理清部署逻辑。在现代IT环境中，老旧报表系统的迁移与维护往往牵涉数据库连接、IIS应用程序池权限、32/64位进程兼容等多项基础技术。掌握Crystal Reports的安装包辨别、环境依赖
水晶报表html,水晶报表教程：手把手教你制作基本报表
水晶报表(Crystal Reports)是一款应用非常广泛的商业智能软件，除了强大的报表功能外，最大的优势是实现了绝大多数流行开发工具的集成和接口。下面这篇教程将手把手教你如何制作一个最基本的水晶报表。水晶报表连接数据源有两种模式，Pull 和 Push 两种，即拉和推。用水晶报表的“数据库专家”直接连接数据库，报表数据会即时显示在报表上就是“拉”模式，即把数据直接从数据库拉到报表上，这样与程序...
【深度学习】肺结节分割项目实战一：处理数据集
一、LIDC-IDRI数据集简介 官方网站 肺图像数据库协会的图像收集(LIDC-IDRI)包括诊断和带有病变注释标记的肺癌筛查胸部CT。这是一个网络公开的国际资源，用于肺癌检测和诊断的计算机辅助诊断(CAD)方法的开发、培训和评估。 数据集包含1018个病例，每个病例包括来自临床胸部CT扫描的图像和一个相关的XML文件，该文件记录了由四名经验丰富的胸部放射科医生进行的两阶段图像注释过程的结果。在最初的盲读阶段，每个放射科医生独立审查每个CT扫描，并标记出属于三种类型之一的病变（“结节>= 3mm”，
半导体制造中的通孔缺陷与冗余通孔技术解析
通孔(Via)是半导体制造中连接不同金属层的关键结构，其可靠性直接影响芯片良率。随着工艺节点演进至28nm及更先进制程，通孔缺陷导致的良率损失日益显著，主要表现为完全开路和高阻态两种失效模式。冗余通孔技术通过在关键位置增加备用连接，可有效提升芯片可靠性，其实现涉及物理冗余与电气冗余两种方案。该技术在7nm/5nm工艺中已证明可将通孔相关缺陷率降低10-100倍，但面临设计规则复杂性、规模处理效率和动态合规验证等工业化挑战。智能双切通孔插入流程通过动态DRC规则解析、奇偶层级并行处理和增量式验证等创新方法，显
C#Winform水晶报表实例教程
以实例讲解C#Winform水晶报表的基本设置，格式化，排序与分组，常用应用，子报表的使用，以推模式使用ADO.NET数据集
实战篇| app爬虫不用真机
之前写过一篇基于真机app爬虫《App爬虫实战篇-以华为真机手机爬取集换社的app为例》，如果大家有用真机爬虫的经历，会深刻认识到真的不方便，一是自己的手机，经常会被电话、微信等打断，二是闲置手机，面对小批量数据还能勉强，大批量爬虫，会导致成本指数级上升，并且控制起来相对麻烦。以下就是常见的模拟器。emulator -avd my_avd -no-snapshot-save # 启动时不保存 snapshot。emulator -avd my_avd -wipe-data # 清除数据（恢复到出厂）
水晶报表如何获得最新的数据库内容
当表结构或者数据变化了，在水晶报表中如何获得最新的数据呢？在右边点refresh是不行的，要：选择菜单：DataBase->Verify DataBase 技巧： 1、先关闭预览 2、用Verity DataBase更新数据 3、打开预览...
【ARM Trace32(劳特巴赫) 使用介绍 13 -- Trace32 Var 变量篇】
例如我们已经知道一个符号（可能是变量或者函数）的地址，怎么确定这个地址是一个变量还是一个函数呢？如果是变量的话，变量名是啥？变量定义的位置在哪？如果是函数，函数名是啥？函数定义的位置又在哪呢？查看结构体变量 str_t32 的值。例如我们已经知道了一个符号的地址为。在map文件中的地址为。
vue3：最新实现腾讯人脸核身+增强版人脸核身使用方法及示例源码，Vue3如何使用腾讯云慧眼人脸核身，提供人脸核身案例、身份信息核验、活体检测与核身比对等示例代码（后端spring与thinkphp）
vue3接入腾讯人脸核身，腾讯云人脸核身Vue3+后端代码，H5人脸核身，vue3 H5如何使用腾讯人脸核身sdk，vue3+thinkphp腾讯人脸核身，Spring Boot接入腾讯云人脸核身教程，hinkphp腾讯人脸核身，vue3人脸核身插件接入流程，vue+spring boot实现腾讯人脸核身，vue3接入腾讯云【增强版人脸核身接入】，vue3 h5微信公众号网页腾讯云慧眼人脸核身，tvue3接入人脸核身SDK，vue3+typescrip+vite接入慧眼实名认证，vue3腾讯云活体人脸核身（
【原创】基于WinForm的水晶报表开发
1. 出现以下错误 CS1061 “Settings”未包含“DatabaseConnectionString”的定义，并且找不到可接受第一个“Settings”类型参数的可访问扩展方法“DatabaseConnectionString”(是否缺少 using 指令或程序集引用?) 直接删除飙红的代码，类似：this._connection.ConnectionString = global::xxxxx.Properties.Settings.Default.Dat...
ArcGIS与地理加权回归GWR【一】
因此，在实际问题研究中我们经常发现回归参数在不同地理位置上往往表现为不同，也就是说回归参数随地理位置变化，这时如果仍然采用全局空间回归模型（全局假设β是不会变得），得到的回归参数估计将是回归参数在整个研究区域内的平均值，如上所说某一个因素在ABC等不同的地理位置对房价的影响是不同的，假如采用全局空间回归模型，便忽略了数据的空间位置属性，只反映平均意义下因变量与自变量的相关关系，而不能有效反映回归关系的空间非平稳性的特征。当自变量为1个时，是一元线性回归，自变量为2个及以上时，称为多元线性回归。
在水晶报表中加载ArcEngine地图
众所周知,水晶报表中动态更新,只能通过与数据库的连接实现,于是得出,若要将地图窗口的视图动态打印出来,可以通过以下这种思路： 1.构建数据表，最好是在本地，避免网络耗时；在其中添加blob字段。 2.程序中加载Crystal viewer，与报表关联；
CANbus收发器ADM3053BRWZ-REEL7应用原理图设计
ADM3053 在 CAN 协议控制器与物理层总线之间创建一个 完全隔离的接口。该器件具有限流和热关断特性，可防止输出短路。额定温 度范围为工业温度范围，提供 20 引脚、宽体 SOIC 封装。该器件采用 5 V 单电源供电， 提供完全隔离的 CAN 解决方案。ADM3053 是一款隔离式控制器区域网络 (CAN) 物理层收 发器，集成隔离 DC/DC 转换器，符合 ISO 11898 标准。该器件采用 ADI 公司的。Coupler® 技术，将双通道隔离器、 CAN 收发器和 ADI 公司的。
Aip1640、TM1640驱动程序
本文介绍了AIP1640/TM1640驱动芯片的编程实现，主要包括硬件接口定义和通信协议函数。通过宏定义配置时钟(CLK)和数据线(DIO)的GPIO控制，实现了I2C协议的启动、停止、字节发送等基本操作。核心函数AIP1640_Disp_Drive()完成显示驱动流程：先发送0x40命令设置地址自增模式，再发送0xC0起始地址和16字节显示数据，最后设置亮度参数。文中还包含5微秒延时函数、显示数据缓冲区定义，以及LED和数码管(SMG)的位映射注释说明。该代码适用于控制LED数码管显示，支持亮度调节功能。
免费报表工具 积木报表（JiMuReport）的安装
分享一b/s报表工具(服务)，积木报表(JiMuReport)，张代浩大佬出品。 官网：http://www.jimureport.com/ 离线版官方下载：https://github.com/zhangdaiscott/JimuReport 1 同类产品对比 与SAP水晶报表、微软Report Service等大牌公司的成熟报表软件相比，优势在于积木报表支持中国式报表，处理合并单元格、交叉表...
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
电脑常识免费报表工具 积木报表（JiMuReport）的安装
电脑常识免费报表工具 积木报表（JiMuReport）的安装 根据IAB E“2021年欧洲广告报告”，2021年下半年欧洲数字广告强劲复苏，全年增长6%，达到694亿欧元。刷赞平台的相关资讯可以到我们网站了解一下，从专业角度出发为您解答相关问题，给您优质的服务！教程弟 分享一b/s报表工具（服务），积木报表（JiMuReport），张代浩大佬出品。 官网：http://www.jimureport.com/ 离线版官方下载：https://github.com/zhangdaiscott/JimuRe
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
以有限搏无限：答liwei81730之突破层次报表汇总的局限
本文的题目来自于：http://topic.youkuaiyun.com/u/20090429/15/63788b6b-5afc-448f-a6e1-add909c083e5.html Title 使用水晶报表的层次分组，将数据集分为若干组，且每组有若干层次。 例如：统计各个省的粮食与水果产量 地名 粮食产量（吨） 水果产量（吨） 江苏省 5 6
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")
如果使用字段映射功能
报表模板设计完成后，模板所使用的表的结构可能因为某种原因会发生变化 比如：字段类型变更，甚至是字段名称发生了变化 这个时候如果我们刷新报表的数据源，那么这个字段就会从报表上消失 你需要将这些字段重新拖到报表的适当位置， 如果改动字段较多或者报表格式较为复杂，那么这也将是个烦琐的工作 其实使用字段的“映射”功能，可以在字段上做适当处理，而不影响模板内对象的变动 ...
每个程序员都应该亲自经历一个软件的开发全过程
<br />今天是周日,因为这段时间上班太累，昨天一直睡到10点多才起床,真是舒服,然后洗漱完毕,打开电脑上网看新闻，逛了几个自己关注的网站，很快就到中午了，要了份快餐搞定自己的胃，ok.开始工作，呵呵不是给公司加班,而是给自己加班，打开熟悉的vc6.0，sql2000，大家肯定感觉晕了吧，一股好古老的感觉，没错，就是这些10年前的开发工具我到现在还在用着，原因就是曾经自己开发一款分销系统就是基于这样的环境，编程用vc6.0,数据库用mssql2000,报表用水晶报表，打包安装用installshield,
使用Excel分析MySQL数据
即使当今时代我们拥有了类似微软水晶报表之类的强大报表工具和其他一些灵活的客户管理应用工具，众多企业在分析诸如销售统计和收入信息的时候，微软 的Excel依然是最常用的工具。这当然不是没有理由的：Excel以其强大丰富的各种功能，已经成为办公环境中不可或缺的工具。 然而，现在公司正在逐渐地将数据开始存储在远程数据库中，这样可以供企业员工从不同的地方来阅读和修改数据。但是，以前...
excel通过ODBC连接Mysql数据库
即使当今时代我们拥有了类似微软水晶报表之类的强大报表工具和其他一些灵活的客户管理应用工具，众多企业在分析诸如销售统计和收入信息的时候，微软的Excel依然是最常用的工具。这当然不是没有理由的：Excel以其强大丰富的各种功能，已经成为办公环境中不可或缺的工具。 然而，现在公
[转]使用Excel分析MySQL数据[http://database.ctocio.com.cn/tips/145/7138145_3.shtml]
在本文中，我们将以MySQL为例，来了解如何将Excel连接到MySQL……即使当今时代我们拥有了类似微软水晶报表之类的强大报表工具和其他一些灵活的客户管理应用工具，众多企业在分析诸如销售统计和收入信息的时候，微软的Excel依然是最常用的工具。这当然不是没有理由的：Excel以其强大丰富的各种功能，已经成为办公环境中不可或缺的工具。 然而，现在公司正在逐渐地将数据开始存储在远程数据库中
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2224
扫一扫
