如何在JBuilder中运行手机jar程序

java手机模拟器,可以直接运行jar包了 用这个工具可以模拟大部分的java手机,可以直接运行jar包 立即下载
这个问题很多人都想知道,同样的问题可能有:
      “如何在PC机上运行手机程序”,或者是“如何在JBuilder中运行jar程序”等等。它们都是同一个问题。问这个问题的人大部分是学过一点Java,了解了一些J2ME的大概情况并且从此倒在这里的同志们,因为他们搞不定这个问题。
      第一步:下载一个手机程序,这里指的是Jar格式的游戏。这个嘛,网上随便搜索下载一个就有啦。比如:http://www.game1313.com,我下载的是字典:http://www.game1313.com/gamedown/gdinfo.asp?id=4368。因为这个字典可以在NOKIA手机上运行,而下面呢想让它在NOKIA的模拟器上运行。(什么是模拟器?不会连都不知道吧,重修去吧你。。。。。。。算了,还是说一下吧,因为pc机不是手机,手机屏幕那么小,内容那么可怜,所以只好在PC上模拟一个手机的运行环境)
      第二步:新建JB工程。打开JBuilder,当然,要支持J2ME的才行哦,9.0以上肯定是可以滴。新建一个工程,注意!注意!注意!不要马上OK,选择NEXT,在JDK那,把JDK换成J2ME!!!
      第三步:配置库。在JB里选择TOOLS->Configue Libraries。新建一个(库),随便起名字比如MYLIB,把刚才下载的那个JAR包包涵进去。
      第四步:配置工程。在JB里选择Project-》Project Properties。在Required Libraries那把上一步新建的那个库MYLIB加到工程里。
      第五步:解压下载的JAR包。找到MANIFEST.MF文件,用记事本打开它。这是个配置文件,你会看到这样一行:MIDlet-1: MIDlet1, , word.MIDlet1。这里告诉你word是包名,MIDlet1是类名,也就是启动的类。其实我们从这个JAR包可以找到这个类的,在word包(文件夹)下面。一眼就看出来,它是个主类。
      第六步:在JB里新建一个运行配置。注意啦!!!!在Type一栏选择MIDLet。然后在Main Class那找到word包下的MIDlet1,选中它。如果找不到,你就直接输入word.MIDlet1就可以了。
      第七步:运行。
说明:
    不是所有的手机JAR程序都可以按如上方式运行。在这个例子里,我们用的是NOKIA的模拟器,其它程序可能不能在此模拟器上运行。有的程序需要JAD文件,可能要在第六步里加载。
手机模拟器(打开jar包必备) 用于在电脑上测试所开发的手机应用程序,功能很强大的一个模拟器,可以通过改变设置来配合测试各种不同的手机机型 立即下载

相关推荐

手机模拟器(jar运行器)

手机模拟器,运行jar文件,用于运行jar手机文件。

Android系统部署java环境并运行Java程序执行jar包

为了运行更为复杂的java程序,可以在安卓设备中安装AidLux(国内软件)或Termux(国外软件),AidLux是基于ARM架构的跨生态(Android/鸿蒙+Linux)一站式AIoT应用快速开发和部署平台APP。通过共享 Linux 内核实现Android 和 Linux 生态融合,为单一设备同时提供Android和Linux运行环境;集成国际主流AI框架和多种开发环境、后台服务程序、编译器及图形开发组件,无须配置开箱即用,极大地简化了开发步骤;

weixin_42123075的博客 1万+

jar模拟器(电脑运行手机java)

本程序 用于在电脑上运行java压缩包,学名叫手机老顽童,若怀疑有木马,可以先上传到网上杀一下

Android系统运行jar包

Android设备运行Java程序

yikouyigedou的博客 4334

Cadence学习之路:什么是PCB工艺的正片与负片

正片??负片??Flash焊盘的创建与使用

qq_46757048的博客 4245

模板匹配加速之金字塔分层搜索

图像金字塔是一种多分辨率图像表示方法,它通过一系列逐渐缩小或放大的图像来表示原始图像的不同尺度。高斯金字塔(Gaussian Pyramid):通过不断下采样(降采样)生成更小的图像。拉普拉斯金字塔(Laplacian Pyramid):通过高斯金字塔和差分操作生成一组残差图像。在模板匹配中,我们主要使用高斯金字塔来实现多尺度匹配。金字塔灰度模板匹配通过多尺度搜索策略,在保持较高准确率的同时显著提升匹配速度,尤其适用于:高分辨率图像处理实时检测系统移动端设备等资源受限场景。

weixin_44969144的博客 1732

Android系统运行Java程序执行jar包(2-包含spring框架)

前言 上一篇文章中,通过把jar转换为安卓系统可以执行的dex文件,从而运行java程序,但这种方法只不适用于复杂的框架。 为了运行更为复杂的java程序,我在安卓设备上安装了linux虚拟机,在虚拟机上配置jdk直接运行jar包我选用的是AidLux,应用市场就可以搜索到。 当手机与电脑处于同一网络下,使用Cloud_ip,在电脑上可以操作手机。用户名root,默认密码aidlux 配置java环境 从官网上下载jdk8 这里注意下载linux版本的。 解压安...

普通还不自信的程序员 4596

Rope DFM一键整合包AI脸部替换教程:使用DeepFaceLab模型实现专业级视频和直播脸部替换

在AI脸部替换工具中,Rope凭借其出色的自动遮罩处理拔得头筹,结合DFM模型中的DFL XSeg遮罩处理,效果更是提升了一个台阶。因为在训练模型时,它已经通过大量的侧脸图片进行训练,达到了单张图片无法企及的效果。然而,想要通过DeepFaceLab获得专业级的效果,不仅难度大,时间成本也相当高,训练模型也是个不小的挑战。举个简单的例子,使用图片脸部替换时,如果佩戴眼镜,脸部替换后的可能会显得很假。另外,在视频中,比如歌手演唱时,话筒遮挡住脸部,这种场景也可以通过遮罩训练后的模型来处理,呈现出更逼真的效果。

m0_72580657的博客 8160

Android系统运行Java程序执行jar包(1-简单程序)

前言 需要提前安装AndroidSDK并配置环境变量。 我这里使用idea创建了一个安卓项目,并通过idea创建一个安卓系统虚拟机。 Java部分 测试代码 package com.android; /** * @author huangzixiao * @Description * @date 2022/1/11 */ public class TestAndroid { public static void main(String[] args) {

普通还不自信的程序员 7600

混合示教长短时记忆网络的车辆轨迹预测研究

论文"混合示教长短时记忆网络的车辆轨迹预测研究"中数据处理及MTF-LSTM模型实现代码,模型在Pytorch框架下实现。

ColinFhz的博客 1445

OpenClaw 聪明设置指南(真实可用方案)

本文介绍了OpenClaw AI系统的配置与优化指南,主要内容包括:1)基础配置,涵盖初始化流程、安全设置和配置文件位置;2)模型分层策略,推荐主力模型与降级方案;3)性能优化,包括推理加速和内存管理;4)智能提升方法,如人格定义和技能安装;5)高级功能如多Agent协同和Token优化。文章提供了详细的配置命令和参数说明,帮助用户根据需求平衡性能与成本,实现高效AI助手部署。

qq_43344878的博客 709

编写一个可在android手机上运行的jar包

我们知道,在pc上通过 java -jar xxx.jar 即可运行该jar包,那么在android手机上如何看运行jar包呢 一、首先编写一个程序(可在这里下载测试文件:https://download.youkuaiyun.com/download/lyhdream/11188247): package com.lyh.hello; public class Hello { public ...

lyhDream的专栏 8634

C#实现将DataGridView中数据导出到Excel (附完整源码)

C#实现将DataGridView中数据导出到Excel (附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 1589

在JBuilder中运行手机 游戏 jar程序[原创]

这个问题很多人都想知道,同样的问题可能有:      “如何在PC机上运行手机程序”,或者是“如何在JBuilder中运行jar程序”等等。它们都是同一个问题。问这个问题的人大部分是学过一点Java,了解了一些J2ME的大概情况并且从此倒在这里的同志们,因为他们搞不定这个问题。          现在神派偶来解救你们了。:—)      第一步:下载一个手机程序,这里指的是Jar格式的游戏。这个嘛

1629

基于NB-IoT的智慧路灯监控系统(NB-IoT专栏—实战篇1:项目简介)

基于NB-IoT技术的城市道路智慧路灯监控系统,在每个照明节点上安装一个集成了NB-IoT模组的单灯控制器,单灯控制器再经运营商的网络,与路灯控制平台实现双向通信,路灯控制平台直接对每个灯进行控制,包括开关灯控制、光照检测、自动调节明暗、电耗分析等操作。

不脱发的程序猿 5万+

华为OD机试双机位C卷:日志排序 (Py/C/C++/Java/Js/Go)

华为OD机试双机C卷真题【日志排序】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试-日志排序。

qq_45776114的博客 1754

记事本编写的html如何能在手机上,html运行\ml为什么不是http:用记 – 手机爱问...

2007-05-08怎样才能编写在手机上也能运行的Java程序?首先 在 手机上 需要 JVM(JAVA 虚拟机)的支持之后在用开发工具(ECLICPSE或者 JBUILDER)编写好程序,之后将写好的程序编译成 。 JAR文件放到手机上,就可以运行了补充一下:有些手机支持JAVA,是因为在它们的上面已经固化了JVM(JAVA虚拟机),JVM 相当于一个很小的机器,它的功能类似于一个操作系统...

weixin_39935257的博客 162

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

手机java程序运行_怎样将自己编的java程序移植到手机上运行? 运行自编经典“Hello World!”...

用JBuilder制作jar文件时,选择jad版本信息的时候,应该准确的填写。JBuilder9制作MidletSuitjar时的MIDP的默认值是2.1,CLDC的默认值是1.1。n73 Java:MIDP2.0、CLDC 1.1、3D API、PIM API、5610xm Java MIDP 2.0下面贴一段java程序的代码,这个小示例程序是在手机的屏幕上写出一行字“HelloWorl...

weixin_33377602的博客 793

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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")

自己写的java程序如何在手机上运行_怎样将自己编的java程序移植到手机上运行? 运行自编经典“Hello World!”...

用JBuilder制作jar文件时,选择jad版本信息的时候,应该准确的填写。JBuilder9制作MidletSuitjar时的MIDP的默认值是2.1,CLDC的默认值是1.1。n73 Java:MIDP2.0、CLDC 1.1、3D API、PIM API、5610xm Java MIDP 2.0下面贴一段java程序的代码,这个小示例程序是在手机的屏幕上写出一行字“HelloWorl...

weixin_42465297的博客 3816

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

运行Nokia模拟器的一个注意事项

        这是一个老问题了,原来用WTK的时候就有,在WTK中启动Nokia的模拟器,如果先前已经打了包,那么运行的是打包的程序,想当年经常会很郁闷为什么改动了没效果,后来养成一个习惯,将jar装到手机测试后随手删除。        今天用JBuilder的时候又碰到了这个问题,也是Nokia的模拟器,如果已经建立了一个archive,那么Nokia模拟器运行的总是包,呵呵,所以要么将arc

聚焦游戏和图形引擎开发技术 3913

怎样将自己编的java程序移植到手机上运行? 运行自编经典“Hello World!”

用JBuilder制作jar文件时,选择jad版本信息的时候,应该准确的填写。JBuilder9制作Midlet Suit jar时的MIDP的默认值是2.1,CLDC的默认值是1.1。 n73 Java:MIDP2.0、CLDC 1.1、3D API、PIM API、 5610xm Java MIDP 2.0   下面贴一段java程序的代码,这个小示例程序是在手机的屏幕上写出一行字“H

小李大哥 7919

Motorola V180,V501,V600,C650等在JBuilder开发环境的配置

Motorola V180,V501,V600,C650等在JBuilder开发环境的配置1.       Motorola的开发SDK现在最新的版本是4.1,可以在Moto的开发网站上去下载SDK v4.1 for J2ME。2.       进入Motorola的Emulator 7.1,7.5,M.1,A.1四个JDK的bin目录,修改所有*.props文件的imagename为绝对

Liang Tang's 专栏 7160
上一篇: JSF环境的配置
下一篇: struts 下面的页面分页显示的实现
系统信息
系统信息 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄23年 2404粉丝 565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