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
由于JWFDv0.96在发布的时候附带了jgraph 5.03开源软件的的LIB文件jgraph.jar,而这个JAR包中的GraphConstants.java文件是被我重新编辑过的，由于JWFD在XML文件格式中增加了XML的属性 condition，而不得不修改Jgraph模块的源代码，并重新发布了JWFD专用的jgraph库文件，因此如果大家想替换JWFD里面的jgraph模块，如果遇到在开发平台中的不兼容问题和错误信息，请将替换的JGRAPH包换回成JWFD原装的JGRAPH包。。。。。。
附件中有JWFDv.96版本专用的JGRAPH代码包，请遇到相关问题的朋友下载备份
下载地址 http://dl.iteye.com/topics/download/116ccbd0-db32-3d11-8df3-29424033be36
如果下载不到，请在我的ITEYE博客的同名博文的附件中去下载。。。。。。
CTF——流量分析题型整理总结
我见过的流量分析类型的题目总结： 一，ping 报文信息 （icmp协议） 二，上传/下载文件（蓝牙obex，http，难:文件的分段上传/下载） 三，sql注入攻击 四，访问特定的加密解密网站（md5，base64） 五，后台扫描+弱密码爆破+菜刀 六，usb流量分析 七，WiFi无线密码破解 八，根据一组流量包了解黑客的具体行为 例题： 一，ping 报文信息 （icm...
could not find com.github.jgraph:jgraphx:v3.9.3
引入下面依赖时，报了错误：could not find com.github.jgraph:jgraphx:v3.9.3
ArcGIS基础：CAD数据转换为GIS数据（符号化显示、数据转换、线转面、空间连接）
1、符号化显示： CAD数据加载进来有很多列表，包含了点【point】、线【polyline】、面【polygon】、标注数据【Annotation】等数据，本次实验我们需要用到的是面数据，也就是.dwgPolygong格式的数据。如下图所示： 把数据加载进来，然后在2处打开属性表，查看CAD数据的属性表，打开后可以发现【layer】图层表示就是地块的用地性质，它就是符号化显示的依据。 我们在数据上右键【属性】，打开图层属性，找到【符号系统】，选择类别中的【唯一值】，然后在【值字段】下拉选择【layer】，
关于找不到AsyncTaskCompat类的简单解决办法
关于找不到AsyncTaskCompatl类的简单解决办法 由于AsyncTaskCompat此类已在API26.0.0以上已经被弃用了，所以你会有两种选择： 1.降低你当前项目的版本； 2.使用新版本中功能相似的方法即可 这里选择使用第二种方法，进入正题，下图是AsyncTaskCompat类在较低版本中的相关实现： 图中红框内是关键代码，在API26.0.0以上直接使用这个代码即可，因为As...
从VASP数据到LAMMPS模拟：手把手教你用DeePMD-kit搭建Cr-Si-Fe合金势函数
本文详细介绍了使用DeePMD-kit从VASP数据构建Cr-Si-Fe合金深度势能模型的全流程，包括数据准备、模型训练、优化及LAMMPS集成。通过实战教程，帮助研究者掌握DeePMD-kit训练技巧，实现高精度分子动力学模拟，提升材料计算效率。
别让IO口保护二极管坑了你！实测讲解单片机电流倒灌的三种典型症状与防护
本文深入解析单片机电流倒灌的三大典型症状与防护方案，重点分析STM32等单片机在ADC采样异常、系统假死和通信速率异常中的表现。通过实测数据和电路设计建议，提供从基础二极管隔离到专业隔离器件的分级防护策略，帮助工程师有效预防和解决电流倒灌问题。
一个 jgraph的例子
Jgraph http://www.jgraph.com/ 是一个开源的，兼容Swing的基于MVC体系结构图形组件，具有以下特点： 1） 完全Swing兼容； 2） 简单、高效的设计； 3） 时间效率高； 4） 100 %纯Java； jGraph简介 jGraph具有相当高的交互性和自动化，是一套为图定做的组件。其主要用途是在一些需要表示图结构的应用中，比如流程图、UML、交
库存预测新思路：AI架构师的图神经网络应用
用图神经网络（GNN）解决传统库存预测的“关联盲区”，让预测从“孤立商品”转向“商品网络”。传统库存预测的痛点分析；GNN的核心概念（图结构、消息传递）；GNN在库存预测中的算法原理与代码实战；实际应用场景与未来趋势。背景：用超市老板的烦恼引出传统方法的问题；核心概念：用“商品朋友圈”比喻GNN的图结构和消息传递；算法原理：用数学公式和Mermaid流程图讲清楚GNN的工作流程；实战：用PyTorch Geometric写一个简单的库存预测模型；
JWFD开源项目需要改进的地方
这半年来，JWFD开源项目没有发布新的代码包和文档，而是在解答朋友们提出的很多问题，从这些问题中我发现JWFD在下面的方面还欠缺代码和文档的支持，我会在接下来的时间内在这些方面加强工作，为朋友们提供更多资料和文档，用以支持朋友们与工作流相关的工作。。。 1：JWFD的图形界面的模块JGRAPH的二次开发使用说明文档问题 今年夏天的时候，一位朋友因为在工作中需要在产品中嵌入
毕设别再硬肝了：我用 GPT + Codex 做项目、写论文，效率直接起飞
这个也是神器。你项目做完之后，最怕的是老师一问就懵。这时候你直接把你的项目发给它，让它模拟老师提问。这是我的毕业设计题目和项目简介，请你站在答辩老师角度，提出20个高频问题，并给出简洁好背的回答。要求：问题尽量贴近计算机专业本科毕业答辩。为什么选这个题目？技术选型为什么这样定？你的创新点是什么？系统难点是什么？数据库怎么设计的？你的模型为什么选这个？如果继续优化，下一步怎么做？这个对答辩真的帮助很大。说实话，如果没有 GPT + Codex，
调节桌面图标大小的方法（编程）
如果你对其他操作系统或编程语言有类似的需求，可以根据具体的情况进行相应的调整和搜索相关的库和方法。在编程中，我们可以使用各种桌面应用程序来调节桌面图标的大小。库提供的函数，我们获取了桌面图标的窗口句柄，并使用Windows消息发送方式设置图标的大小。你可以根据自己的需求修改代码中的图标大小值，并在运行代码后观察桌面图标的变化。函数并传入所需的图标大小，这里设置为48x48像素。首先，我们需要使用Python的第三现的方法。首先，我们需要使用Python的第三方库。首先，我们需要使用实现的方法。
JWFD v0.96 版本的发布说明
事实上，JWFD从一开始就是一个相对完整的流程系统，不仅仅是一个包括JGRAPH组件的设计器，更包括流程数据结构和流程引擎等模块，JWFD的定位 是一个供业内朋友学习和借鉴工作流技术和设计思想的的学习型软件包，对任何商业集成都持开放和合作的态度。。。。。 因为在我看来，工作流技术...
在 ABAP 世界把 SAML 2.0 玩明白：跨域 SSO 的通信模式、配置路径与落地实践
摘要 SAML 2.0是ABAP平台实现标准化SSO的推荐方案，提供Front-Channel（浏览器传递SAML报文）和Back-Channel（使用工件绑定通过SOAP兑换断言）两种通信方式。前者包括HTTP Redirect和POST绑定，后者通过Artifact绑定提升安全性。配置重点包括：激活ICF服务、使用SAML2事务码建立信任、设置用户标识映射、选择绑定方式（POST易调试、Artifact更安全）及配置安全策略（签名/加密）。典型流程包括SP-initiated和IdP-initiated
如何读取JWFD工作流设计器画的流程图XML文件数据
如何读取JWFD工作流设计器画的流程图XML文件数据当我们通过JWFD的流程设计器画好一个流程图之后，如下图 这个时候，你需要打开菜单栏目，选择流程图另存为 比如说，我们想把这个流程图另存为叫做 Example2011的文件 点击确定之后，这个流程图就保持在本地硬盘中的某个目
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")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
JWFDv0.96开源工作流引擎设计---XMLTO-数据库解析过程说明
JWFDv0.96开源工作流引擎设计 ---XMLTO数据库解析过程说明注：这篇文章中所使用的“函数”就是指JAVA语言中的方法 作者 comsci 2011.4.25 四川。成都简要说明： 实际上用户通过JWFD流程设计器设计出的流程图的结构一般是保存在XML格式的文件中的(XML文件结构请参考”JWFDv0.96 开源工作流引擎设计-流程图XML结构说明.doc“)，而流程引
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
[] [原创]JWFDv0.96开源工作流引擎设计---XMLTO数据库解析过程说明
[size=large] [b] jwfdv0.96开源工作流引擎设计[/b][/size] ---xml to 数据库解析过程说明 [img]http://dl.iteye.com/upload/attachment/473615/7776fcd4-122b-3773-b367-d9...
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
[原创]JWFDv0.96开源工作流引擎设计---XMLTO数据库解析过程说明
JWFDv0.96开源工作流引擎设计 ---XML to 数据库解析过程说明 注：这篇文章中所使用的“函数”就是指JAVA语言中的方法 作者 comsci 2011.4...
[原创]JWFDv0.96工作流引擎设计-数据库结构说明
JWFDv0.96工作流 引擎设计 ----数据库结构说明 注：这篇文章中所使用的“函数”就
国内开源工作流fireflow推出全浏览器兼容流程设计器
来自fireflow官方网站的消息 www.fireflow.org国内的开源工作流项目fireworkflow团队近日开发出一种兼容性很好的WEB流程设计器，估计目前还处在测试阶段，目前只有图片，有图有真相，据作者非也说，此款流程设计器可以用户fireflow的引擎，面向企业用户和程序员
自己动手DIY一套用户自定义工作流(源码包)
这个压缩包里面的组件和模块是DIY一个自定义工作流的基本设计模块(包含实现自定义工作流的多种方法的其中的一种) 其中有面向用户的自定义工作流设计器的代码包 都是第三方开发的 熟悉FLEX和JS的朋友可以用这些模块自己定制一个面向最终用户的设计器 当实现了流程设计器之后，就需要把设计器产生的XML文件解析到数据库中去，这个过程需要参考JWFD开源工作流的文档说明，同时JW
[原创]JWFD工作流引擎设计--简单矩阵建模与应用(初步讨论)
暂时忽略工作流状态的问题，仅仅表示工作流的拓扑结构 为什么要搞这样的东东,jwfd v0.96版本中的引擎算法已经足以应付常见的工作流模型了，其它工作流系统的状态机模型也是比较不错的解决方案.因为在我设计0.96的引擎的时候，由于嵌入式代码模块和外部 数据(表单等)的加入，
JWFD的最新动态(2013.6.13)
这几天过端午节节，虽然吃了粽子，但是不写代码心里总觉得痒痒的。。所以还是打开机器，更新一下我的JWFD。。。。。这几天在修改启动界面，新增加了启动界面的介绍文档和更新列表，如下图 首先请大家原谅我的粗心，由于我发布JWFD的文件之前，没有做严格的测试，导致很多错误的发生，感谢朋友们的支持，我第一时间修改这些错误，并把补丁和文档发布在博客园我的下载里面，另外今天早上接
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5万+
扫一扫
