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
100+累计阅读
98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
在社交网络数据处理中，隐私和效用的平衡是一个关键问题。有一种细粒度调整框架可以用于解决这个问题。该框架通过以下操作来实现隐私和效用的权衡：
- 公式为 prygain = prygain + ∑(8pi ∈ C^umin ∈ corei) pi.w ，将 umin 添加到 Utlrm 中，并删除所有包含 umin 的核心。
- 如果隐私阈值未达到（ prygain < t0 ），则重复上述过程，直到 prygain ≥ t0 。
当阈值 t = 0 时，会发布一个满足所有效用要求的图；当 t = ∑(8pi ∈ P ry) pi.w 时，会发布一个满足所有隐私要求的图。这个框架可以在这两种情况之间的权衡曲线上找到解决方案。
| 阈值情况 | 发布图的特点 |
|---|---|
| t = 0 | 满足所有效用要求的图 |
| t = ∑(8pi ∈ P ry) pi.w | 满足所有隐私要求的图 |
30、社交媒体：电子健康服务的演变
本文探讨了社交媒体在电子健康服务领域的应用与影响，涵盖了医患互动、患者支持、医生协作等多个方面。同时，分析了社交媒体带来的机遇与挑战，并介绍了混合云架构在医疗数据管理中的潜力与问题。
32、电子商务中的社交媒体营销
本文深入探讨了社交媒体在电子商务中的应用，包括品牌推广、客户互动、广告策略和数据分析等方面。同时，文章分析了社交媒体对消费者行为的影响，并通过成功案例研究展示了如何有效利用社交媒体提升销售转化率。此外，还讨论了隐私与安全、法律法规、用户体验设计以及未来的智能化、个性化和互动化营销趋势，为商家提供了全面的社交媒体营销指导。
28、电子商务中的社交媒体营销
本文详细探讨了社交媒体营销在电子商务中的应用，包括主流平台特性、营销策略、广告投放、数据分析以及未来趋势等内容。通过案例分析和优化建议，帮助企业更好地利用社交媒体提升品牌影响力和销售转化率。
43、社交媒体对器官捐赠与电子口碑的影响
本文探讨了社交媒体在器官捐赠信息传播和电子口碑对购买意愿影响中的作用。研究发现，积极的态度和家庭讨论能显著提升人们对器官捐赠信息的采纳及登记意愿；而在商业领域，信任与人际影响显著影响Gen-Y群体的电子口碑采纳，进而影响购买意愿。文章还提出了基于社交媒体的推广策略与营销优化方向，为公益事业和企业营销提供实践指导。
11、社交阅读平台与电子参与的研究洞察
本文探讨了社交阅读平台与电子参与在数字化时代的重要作用。以'WeRead'为例，分析了社交阅读平台的身份设计、交互设计与情境设计如何通过意识、情感和认知社交存在增强用户体验，从而打造沉浸式阅读体验。同时，从媒体生态系统角度研究了电子参与在城市治理中的应用，揭示了电子参与服务的发展现状与策略方向。文章总结了两个领域的关键研究发现，并展望了未来的研究方向与实践启示。
62、在线社交网络与电子医疗的安全挑战及应对策略
本文探讨了在线社交网络和电子医疗领域中的安全挑战及应对策略。针对在线社交网络，分析了社交钓鱼攻击的威胁，并介绍了多种反钓鱼技术，包括启发式策略、黑名单策略、相似文本策略、机器学习策略等，同时提出了一个综合检测流程。在电子医疗方面，比较了云计算与雾计算的应用模式，强调雾计算在低延迟和实时决策中的优势，并探讨了未来发展方向，包括增强安全性、智能化分析和标准化建设。文章指出，面对日益复杂的安全威胁，需要通过多维度检测、用户教育和技术创新来保障用户隐私和数据安全。
26、电子商务中的社交媒体营销
本文探讨了社交媒体在电子商务中的应用，分析其带来的机遇和挑战，并提供了具体的操作步骤和策略。内容涵盖Facebook、Twitter、LinkedIn等平台的应用，制定营销策略的方法，使用相关工具的建议，以及如何通过社交媒体进行品牌推广和客户互动。同时，文章详细介绍了社交媒体广告投放及效果评估的方法，并深入讨论了数据分析和用户画像构建对提升营销效果的重要性。
65、电子商务对企业可持续性的影响及瑞士社交商务研究
本文探讨了电子商务对企业可持续性的影响，涵盖环境、经济和社会三个方面，并分析了企业在电子商务中采取的可持续性措施以及面临的挑战。同时，文章介绍了瑞士社交商务的研究结果，揭示了社交媒体在电子商务中的应用现状及未来发展趋势，为实现可持续的电子商务和推广社交商务提供了建议。
22、社交电子表格与网页表单自动填充技术详解
本文详细解析了社交电子表格和网页表单自动填充技术的应用与发展。社交电子表格（如 Google Spreadsheet）为用户提供免费、便携的社交媒体数据分析和可视化功能，而网页表单自动填充技术（如 iMacros）则通过脚本记录和参数化模型，简化了传统手动填写表单的繁琐流程。文章还探讨了相关工具的映射方法、实现流程及未来改进方向，旨在为用户提供高效的数据处理方案。
62、网络社交与电子医疗的安全挑战及应对策略
本文探讨了网络社交中的安全挑战，特别是社交网络钓鱼问题，并分析了基于启发式、黑名单、文本相似度、机器学习等多种反钓鱼策略的优劣。同时，文章研究了电子医疗应用在云计算与雾计算环境下的发展与挑战，指出雾计算在降低延迟、减少带宽使用和增强数据安全性方面的优势。此外，还讨论了电子医疗面临的数据隐私、系统兼容性和技术更新等问题，并提出了相应的应对措施。最后，文章强调通过技术融合与创新，可有效提升网络安全与医疗服务的质量。
20、功能感知的可视化混搭开发与社交电子表格的创新探索
本文介绍了CapView和社交电子表格两项创新技术，分别应用于Web混搭开发和社交媒体数据分析领域。CapView通过功能感知的可视化方式，帮助非程序员快速理解组件交互并完成开发任务；社交电子表格则通过自定义函数简化社交媒体数据的获取和分析过程，使普通用户也能轻松进行数据可视化与商业分析。两者均通过用户研究验证了其易用性和实用性，并展示了在各自领域的应用前景。
45、社交媒体与电子审计：创业者与审计师的机遇与挑战
在数字化时代，社交媒体和电子审计技术深刻影响着创业者和审计师的工作方式。本文探讨了创业者如何利用社交媒体平台进行营销，以及审计师如何应对计算机辅助审计技术（CAATs）带来的挑战和机遇。通过分析不同社交媒体平台的特点和创业者采用的营销策略，揭示了社交媒体在推动机会驱动型创业中的作用。同时，研究了电子审计技术的发展、挑战及应对策略，并以巴林为例分析了审计行业的现状。文章为创业者和审计师提供了实践指导，并展望了未来技术发展趋势。
32、电子无级变速器与智能社交距离监测机器人技术解析
本文深入解析了电子无级变速器（E-CVT）与智能社交距离监测机器人两项技术。在E-CVT研究中，通过力平衡方法和PID控制算法，推导出以发动机转速为约束的详细调谐方程，提升了传动效率与系统可控性；在智能社交距离监测机器人方面，结合红外、超声波等传感器与AI、物联网技术，构建了一套经济高效的公共场所防疫解决方案。文章还对比了两种技术的数据处理机制与系统稳定性设计，并展望了其在新能源汽车、多机器人协同、功能拓展等方面的未来发展趋势，展现了工程技术在不同领域中的创新应用价值。
12、利用社交网络分析对电子邮件消息进行文件夹分类的新算法
本文介绍了一种结合蚁群优化算法和社交网络分析的新型电子邮件消息文件夹分类算法。该算法通过分析邮件发送者和接收者之间的联系以及文件夹结构，利用信息素轨迹提高分类准确性。基于安然电子邮件数据集的实验表明，该算法在准确性、召回率和F1值上均优于传统分类方法，展现出良好的应用潜力。
24、社交网络在线/电子学习平台中的网络欺凌问题解析
本文探讨了社交网络与电子学习平台中的网络欺凌问题，分析其类型、特征及对受害者的心理与社交影响。通过文本挖掘与数据分析技术，研究如何在在线学习环境中识别和预测网络欺凌行为，并以Instagram和Twitter为例展示了检测流程。文章还提出了家庭、学校和社会层面的应对策略，展望了未来在网络欺凌检测技术、跨文化研究和长期影响方面的研究方向，旨在构建安全健康的网络学习环境。
12、电子民主：社交软件视角下的探索
本文探讨了电子民主的概念、应用与局限性，分析了互联网如何从一个知识共享平台演变为政治媒介，并对在线协作、政治网络构建及复杂决策组织进行了深入讨论。尽管电子民主在地方政治和组织决策中展现出潜力，但其发展仍受制于数字鸿沟和技术局限。文章还提供了相关案例研究和实用网址，为理解电子民主的现状与未来提供了参考。
两相交错并联Boost电路仿真模型（Simulink仿真实现）
内容概要：本文详细介绍了两相交错并联Boost电路的Simulink仿真模型，属于电力电子变换器领域的核心技术研究。该模型基于Simulink平台构建，重点在于通过多相交错并联结构提升Boost电路的输出稳定性与转换效率，有效降低输入电流纹波，适用于中高功率电力变换场合。文档系统阐述了电路的工作原理、闭环控制策略设计、软启动机制实现以及关键参数的优化方法，充分展现了多相并联技术在改善动态响应、提高功率密度方面的优势。同时，提供了完整的仿真建模流程和技术路线，涵盖主电路搭建、控制器设计、系统调试与性能分析等环节，并配套提供仿真文件、设计报告及参考文献等丰富资料，便于学习者深入理解与实践复现。; 适合人群：具备电力电子技术基础知识、熟悉Simulink仿真环境，正在从事新能源发电、电动汽车、工业电源系统等相关领域研究的硕士博士研究生、科研人员及电气工程方向的工程技术人员。; 使用场景及目标：①用于深入理解多相交错并联Boost电路的拓扑结构与工作机理；②支撑科研项目中的高效DC-DC变换器性能验证与优化设计；③为实际电源产品开发提供理论依据和仿真原型；④作为高校课程设计或实验教学的参考案例，提升学生的工程仿真与系统分析能力。; 阅读建议：建议结合文档中提及的其他相关变换器模型（如LLC谐振变换器、PFC电路、Buck变换器等）进行横向对比学习，深入掌握不同拓扑的控制策略差异与适用场景，并充分利用所提供的网盘资源下载完整仿真模型，动手调试参数、观察波形，从而深化对多相并联控制、电流均流、闭环稳定性等关键技术的理解，全面提升电力电子系统的仿真与设计能力。
10BASE-T1S协议中的PLCA机制：实现无碰撞网络传输的关键
本文深入解析了10BASE-T1S协议中的PLCA（物理层冲突避免）机制。作为IEEE 802.3cg标准的关键部分，PLCA通过循环调度与机会传递，从根源上避免了网络碰撞，为工业与汽车等场景提供了确定性的低延迟传输保障，是实现可靠实时通信的核心技术。
Win10系统VS2019+Cmake+qhull_8.0.0环境配置
1 qhull 1.1 简要介绍 qhull是一个强大的计算几何库，可以用于计算高维的convex hull, Delaunay triangulation, Voronoi diagram等。 1.2 依赖库 qhull不依赖其他库。 1.3 源码包下载 qhull源码地址：github：https://github.com/qhull/qhull.git 2 Cmake构建项目 2.1 路径 源代码路径：D:/ThirdParty/qhull/qhull_8.0.0构建项目路径：D:/Thi.
机器视觉最全面试题总结
空洞卷积(Atrous Convolution)也叫做膨胀卷积、扩张卷积，最初的提出是为了解决图像分割在用下采样（池化、卷积）增加感受野时带来的特征图缩小，后再上采样回去时造成的精度上的损失。空洞卷积通过引入了一个扩张率的超参数，该参数定义了卷积核处理数据时各值的间距。可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样a. 是普通的卷积过程(dilation rate = 1),卷积后的感受野为3b. 是dilation rate = 2的空洞卷积,卷积后的感受野为5。
对话系统简介
《文本上的算法》学习笔记1、问答型1.1、基于语义分析的方法1.2、基于信息抽取的方法1.3、端对端的方法2、任务型2.1、生成式模型( Generative Model )2.2、判别式模型( Discrimitive Model )2.3、规则系统3、闲聊型3.1、规则方法3.2、生成模型3.3、检索方法 个人认为NLP领域最难的方向可以说是阅读理解与文本生成/摘要，而对话系统，尤其是闲聊常常...
APP抓包-代理转发绕过反代理+Xposed绕过证书校验
而这里的牛牛不止设置了反代理还设置了证书校验，一闪而过的三个数据包就是在校验证书。而proxifier工具的转发机制获取的是网络接口出口数据，相当于是在网络接口设代理。这个时候就可以在夜神打开牛牛开始抓包了，打开牛牛可以看到proxifier有夜神流量通过。关闭代理之后牛牛就正常了，可恶的牛牛啊，这样我没办法抓包啊，怎么办啊。模拟器开启代理，burp开启监听。打开牛牛app，牛牛不在报错。牛牛app检测的是系统代理，也就是在模拟器或手机上设置的代理。再在浏览器下载两个模块，在夜神安装，用来屏蔽证书校验。
在 ABAP 中把变量一次写对：深入理解 FINAL 内联声明与不可变变量
摘要：ABAP中的FINAL声明操作符用于定义不可变变量，强调"当前上下文中的唯一写位置"，能有效防止变量被意外修改，提升代码健壮性和可读性。官方建议优先在单次赋值的场景使用FINAL替代DATA。其核心规则包括：1)写位置唯一但可多次执行(如循环内)；2)不创建块级作用域；3)对引用变量仅约束引用本身而非对象内容。典型适用场景包括：结果值只读、输入快照保存和中间结果保护。例外情况如游标变量不适用，因需多次写操作。正确使用FINAL可显著降低代码维护风险。
iOS逆向之深入解析Hook的原理方法和安全防护
Hook简介 Hook就是一种改变程序执行流程的一种技术的统称； 一段程序的执行流程是 A --> B --> C，现在我们在 A 和 B 之间插入一段代码或者直接改变 B ，这样程序原有的执行流程就发生了改变。如下图所示： Hook的方式：Method Swizzle，fishhook，Cydia Substrate； Hook原理 一、Method Swizzle 原理 利用OC的Runtime特性，动态去改变SEL（方法编号）和IMP（方法实现）的对应关系，达到OC方法调用流程改变
【图像去噪】基础知识之加噪 | 给图像加噪的若干种方式，包括加高斯白噪声（AWGN）、泊松-高斯噪声、模拟真实噪声（SIDD、DND）等
本文介绍给干净图像加噪的若干种方式，新手入门必看！。根据noise类型不同，产生不同的Noisy，Noisy一般是模型输入。【图像去噪】基础知识之图像流 | 图像从输入到输出的前世今生，包括类型变化、维度变化、数值变化等。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
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")
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
97
扫一扫
