ArrayExtend类

edp 千1.docx 立即下载
 
  1. package org.geom{
  2. public class ArrayExtend extends Array{
  3.   public function ArrayExtend(){}
  4.   
  5.   //将数组乱序
  6.   public static function confusion(arr:Array):Array {
  7.     var len:Number=arr.length
  8.     for (var i = 0; i < len; i++ ) {
  9.       var num:Number=Math.floor(Math.random() * len)
  10.       var obj:Array = arr.splice(num,1)
  11.       arr.unshift(obj[0])
  12.       }
  13.         return arr;
  14.     };
  15.    //将数组中重复元素去除
  16.    public static function defoam(arr:Array):Array {
  17.         var arrCopy:Array=[]
  18.     while(arr.length>0)
  19.     {
  20.       var obj:*= arr.shift()
  21.       for (var i = 0; i < arr.length; i++ ) {
  22.         var symbol:*=arr[i]
  23.         if (obj === symbol || obj == symbol) {
  24.           arr.splice(i,1)
  25.           i--
  26.           }
  27.         }
  28.       arrCopy.push(obj)
  29.       }
  30.       
  31.     arr=arrCopy  
  32.         return arr;
  33.     };
  34. }
  35. }
产业园区运营负责人如何提升园区企业的技术需求对接效率和转化成功率?.docx 产业园区运营负责人如何提升园区企业的技术需求对接效率和转化成功率? 立即下载

相关推荐

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。

weixin_29280219的博客 347

REHex:逆向工程中的二进制分析利器与三大核心挑战解决方案

在二进制文件分析和逆向工程领域,我们常常面临数据可视化困难、结构解析复杂和文件对比繁琐等挑战。REHex(Reverse Engineers' Hex Editor)作为一款专为逆向工程师设计的跨平台十六进制编辑器,通过创新的技术架构和实用功能组合,为这些常见问题提供了系统性的解决方案。 ## 挑战一:二进制数据的可视化与智能标注 **挑战**:传统的十六进制编辑器往往只提供原始字节的线性展示

gitblog_00646的博客 665

基于Android13的系统启动流程分析(三)之FirstStageMain阶段

init进程是Android系统中用户空间的第一个进程,作为第一个进程,它被赋予了很多极其重要的工作职责,比如创建zygote(孵化器)和属性服务等。init进程是由多个源文件共同组成的,这些文件位于源码目录system/core/init1. Bootloader 引导当按下设备电源键时,最先运行的就是 bootloader(固化在ROM的程序),bootloader 的主要作用就是硬件设备(如 CPU、flash、内存)的初始化并加载到RAM,通过建立内存空间映射,为装载 Linux 内核做好准备,。

q1210249579的博客 5496

REHex:专业二进制分析工具与逆向工程编辑器的完全指南

在逆向工程和二进制安全分析领域,十六进制编辑器是核心工具之一。REHex(Reverse Engineers' Hex Editor)作为一款专为逆向工程师设计的跨平台十六进制编辑器,提供了远超传统十六进制编辑器的功能深度和用户体验。本文将深入探讨REHex的核心特性、实际应用场景和高级使用技巧,帮助安全研究人员和开发者充分利用这款强大的二进制分析工具。 ## 🔍 REHex的核心价值定位

gitblog_00401的博客 290

暗黑破坏神2重制版 mod制作教程(一)

暗黑2重制版mod修改教程

hhhh2312的博客 7457

vite打包文件如何支持files协议,支持双击即可打开网页,支持electron打包文件。

原本的所需框架为vite + element-plus项目,需要打包之后用eletron打包为桌面应用。但遇到一个问题,耗费了整整一下午时间。vite的配置也没有考虑过纯静态页面的情况。打包之后的页面只支持https协议。不断是百度以及问AI然后看vite官网文档,最后终于配置好了。这里有一个问题就是上面箭头所指位置,不支持跨域,也是es6的语法也不支持。配置完之后打包文件如下。

guiplan 1561

REHex:专业逆向工程十六进制编辑器的核心技术解析与实战应用

REHex(Reverse Engineers' Hex Editor)是一款专为逆向工程设计的跨平台十六进制编辑器,支持Windows、Linux、macOS和BSD系统。作为逆向工程师的得力工具,REHex不仅提供基础的二进制数据查看和编辑功能,更集成了结构化数据解析、位级操作、虚拟内存映射等高级特性,能够处理超过1TB的大型文件,是固件分析、漏洞挖掘和文件格式逆向的专业选择。 ## 🔧

gitblog_00130的博客 373

电路板保险丝如何选型

在电路板保险丝选型过程中,需要考虑多个因素以确保其适合特定的电路需求。最后,经过以上程序选定的样品需要在实际的电路中进行测试,以验证所选择的保险丝是否合适。

weixin_57010826的博客 1310

网页中swf与javascript交互注意事项

 一.利用Timer 类解决ExternalInterface.call对象为空的问题       外部 API 最常见的用途之一就是允许 ActionScript 应用程序与 Web 浏览器进行通信。使用外部 API 时,ActionScript 方法可以调用使用 JavaScript 编写的代码,反之亦然。由于浏览器的复杂性及其内部呈现页的方式,因此根本无法保证 SWF 文档能够在 HTML

980

7、PPG信号处理与质量评估

本文详细介绍了PPG信号的处理与质量评估方法,包括信号滤波技术(如卷积和互相关)、滤波器选择、信号质量指标(SQI)的定义与应用,以及标注一致性的评估。同时,提供了MATLAB代码示例和操作步骤,并分析了不同指标的优势与适用场景,旨在提高PPG信号在诊断和监测中的准确性与可靠性。

salt的博客 254

PyTorch深度学习实战(1)——神经网络与模型训练过程详解

在本节中,我们将了解传统机器学习与人工神经网络间的差异,并了解如何在实现前向传播之前连接网络的各个层,以计算与网络当前权重对应的损失值;实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降,从零开始构建并训练了一个简单的神经网络。

盼小辉丶的博客 9万+

3D模型贴图类

3D模型贴图类,这个类能实现任意形状的贴图,效果还不错哦 package {  import flash.display.Sprite;  import flash.display.BitmapData;  import flash.display.MovieClip;  import flash.geom.Matrix;  public class Distort

687

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

flash cs3组件Inspectable标签初始化之setter和getter方法

        制作自制组件的时候我们用Inspectable标签来定义组件的外部接口,在使用过程中有几个地方需要注意         一.Inspectable标签对";"是比较敏感的,每个定义的属性都需要以";"结束,否则会说你下面的那行定义有问题.        二.组件脚本初始化顺序             Inspectable标签定义的setter→构造函数→Ins

678

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

flash加密和反编译软件

flash反编译软件:flash反编译软件.rarASV6和Sothink SWF Decompiler是目前使用比较多的两款flash反编译软件 flash加密软件:flash加密工具SWF Encrypt 5.0SWF Encrypt 5.0下载地址:http://www.amayeta.com/software/swfencrypt/适用as1,as2,as3使用方法

616

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

AS3程序优化

 第一章  AS3的一些优化计算方法        用乘法来代替除法(当除数可转化为有限数的时候)。比如var n:Number = value * 0.5;要比var n:Number = value / 2;快。但差别并不是很大。只有在需要大量计算情况下,比如3D引擎中差别才比较明显。         用位运算代替除2或乘2。比如10>>1要比10*2快,而10>1来代替13/2,尽管前者

541

flash系统字体显示问题

问:var tempText:TextField = new TextField();tempText.text = "test";tempText.setTextFormat(new TextFormat("黑体", 20))设置字体大小有效,设置英文字体也有效,但是如果设置中文的话都是显示宋体,我试了一下设置成"SIMHEI",也还是宋体这是不是flash对中文支持不足所致,有否解决办法?

533

AS3如何将不是utf-8编码的文本正确显示

 flash cs3默认编码格式是国际通用标准的utf-8格式,如果我们倒入外部文本不是utf-8编码格式就会显示乱码,下面的代码就是解决这个问题的,但是如果我们用下面的代码来读取utf-8的格式文件也同样会显示乱码,所以如果外部文件是可控制的时候建议都用utf-8编码格式输出import flash.net.*import flash.utils.ByteArrayimpor

516

flash cs3屏蔽鼠标右键解决方案

1. 采用ASnative函数检测右键点击。if (ASnative(800, 2)(2)) {    // code to execute when the player tries to cheat}关于ASnative,是官方未公开放到帮助里的。可以看看这里:http://osflash.org/flashcoders/undocumented/asnative2. Uza’

516

ObjBase类

 package org.geom{  public class ObjBase   {        public function ObjBase() {}        //清除对象中特定类型对象     public static function cleanObjByType(type:*, container:*) {      //对象

425

flash cs3组件输出加载类库顺序问题

         做的AS3handbooks1.0组件需要做一些小的改动,输出swc文件后做了小测试为了省事便在相同的.fla目录下建了一个test.fla的文件,倒入输出的swc文件测试时发现提示不能引用空对象的属性或方法,顿时一头雾水.          按理如果组件有问题在输出swc文件的时候就应该报错了,但是在输出测试组件的过程中一切正常,输出了成品swc文件后反而不正常了!

397

在网页中测试flash的类

 package org.geom.CallJavascript{    /**    * CallJavascript类: 一些直接调用浏览器简单js的实用类    * 功能:    * 1.显示swf所在页面也就是浏览器地址栏地址 getPageUrl    * 2.显示swf所在地址(未实现,求高手指点) getSwfUrl    * 3.直接弹出浏览

394

flash cs3可视化对象继承实例化时报错申明

        用flash cs3制作一些小项目时为了和美工配合,图省事就直接将素材打包成可视化对象,然后让这些可视化对象继承自定义类,这样就可以直接在舞台上布局进行可视初始化了,美工在不改变对象名字属性的前提下可以任意修改该对象的形状和颜色等细节.       象这样的可视化对象内部一般会包含很多小的可视对象,而对这些内部对象的引用有一些需要注意的地方        因为我们是用类的方

369

图片处理类

       此类实现了对图片处理的多种操作,如去红眼,黑白,亮度,对比度,饱和度,魔棒,裁切,球面化等功能,图片处理的实质就是针对象素的操作,每个象素都有一系列的属性,上述功能实现其实就是对一组象素进行有序的格式处理的结果.魔棒工具在更换证件照的背景比较有用.package org.filter {  import flash.display.*;  import fla

361

flash交互文本编码注意事项

      一般来讲,flash加载的外部文本最好是utf-8编码格式,如果不是如xml类需要解析的文本可能会出现问题,但是flash和外部交互的时候如果读取的文本是utf-8以外的编码,那么在传递出去的时候不保存utf-8格式的话就成了utf-8编成的乱码了,              这个问题在我们加载一个gb2312的网页然后将网页内容通过gb2312编码的asp保存到数据库时候会碰到,

360

swf和网页交互本地测试的注意事项

       注意是在本地测试        一.编码格式,如果是utf-8编码则直接打开页面内含有object对象时会提示是否加载控件,如果改为gb2312编码则没有提示        二,如果以gb2312编码的网页往页面中的swf对象传递参数中包含中文字符时,swf收到后需进行如下转码: var BA:ByteArray = new ByteArray;BA.writeM

336
上一篇: ObjBase类
下一篇: 在网页中测试flash的类
g0c0
博客等级 码龄23年 4粉丝 39原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值