41、核设计与特征提取:原理、方法与应用

核设计与特征提取:原理、方法与应用

1. 核设计概述

核函数的设计在核算法中至关重要,它代表了关于任务的先验知识,其恰当选择对算法的成功起着关键作用。在核设计方面,首先介绍了通用的核构造方法,随后转向考虑特定问题领域特征的更具体方法。

在序列处理和图像识别领域,分别讨论了字符串核和考虑图像局部结构的核。这些局部改进的核在性能上有显著提升,适用于能适当指定特征间乘积子集相对重要性的情况,但会使训练和测试速度按常数因子减慢,该因子取决于所使用特定核的评估成本。此外,还介绍和分析了 Fisher 核方法,该方法设计的核遵循底层生成模型。

2. 核设计问题

以下是一系列与核设计相关的问题:
|问题编号|问题描述|
| ---- | ---- |
|13.1|使用命题 13.2 证明:若 k 是核且 d 为正整数,则 k^d 是核。|
|13.2|证明:若对于所有 n,有 a_n ≥ 0,则式(13.3)定义的核是正定的。|
|13.3|设 z_1, …, z_n 属于某集合,k(x, x’) 是该集合上的函数,证明 k^(2)(x, x’) = ∑ {j = 1}^n k(x, z_j)k(x’, z_j) 是正定的。|
|13.4|证明命题 13.6,提示:将张量积核表示为两个更简单核的乘积,并使用命题 13.2。|
|13.5|证明命题 13.7。|
|13.6|若 k(x_1, x_2, x_1’, x_2’) 是某集合上的核,定义对角投影 k
∆(x, x’) = k(x, x, x’, x’),证明若 k_1 和 k_2 是该集合上的核,则 (k_1 ⊗ k_2) ∆ = k_1k_2 和 (k_1 * k_2) ∆ = k_1 ⊕ k_2,并考虑 ANOVA 核的特殊情况。|
|13.7|证明高斯核作为 R - 卷积的相关性质,即对于多维情况,证明 k_1 ∘ … ∘ k_D(x, x’) = ∏ {d = 1}^D k_d(x_d, x_d’),并在一维高斯核的情况下,证明其卷积是多维高斯核。|
|13.8|证明 ANOVA 核是正定的,可直接从定义证明或证明其是 R - 卷积的特殊情况。|
|13.9|设 ˜Ω 表示某集合的所有有限子集的集合,证明若 k 是该集合上的核,则 ˜k(A, B) = ∑
{x ∈ A, x’ ∈ B} k(x, x’) 是 ˜Ω 上的核。|
|13.10|推广上述问题的构造,允许 ˜Φ(A) = ∑ {x ∈ A} w(x)Φ(x),其中 w 是该集合上的非负函数,考虑 w 仅取值于 {0, 1} 的情况,并讨论与 R - 卷积核的联系。|
|13.11|设 G 是一个群,考虑核 k(g, g’) = h((g’)^(-1)g),其中 h 使 k 为正定函数,证明 h 是 Hermitian 的,即 h(g^(-1)) = h(g);证明 |h(g)| ≤ h(e),其中 e 是群的单位元;证明正定函数的有限乘积仍是正定的;考虑群为 (Ω^N, ⊕) 的特殊情况,构造一个正定核。|
|13.12|设 H 是一个复希尔伯特空间,考虑复值函数 h(g) = ,其中 v 属于 H,U 是 G 在 H 上的酉表示,验证 k(g, g’) = h((g’)^(-1)g) 是 G 上的正定核,证明 Φ : g → U(g)v 是 k 的有效特征映射;反之,对于 G 上的任何正定函数 h,证明可关联一个复希尔伯特空间 H_h、G 在 H_h 上的酉表示 U_h 和一个(循环)单位向量 v_h,使得 h(g) = 成立。|
|13.13|考虑特征映射 Φ(x) = [p(x | c_i) / p(c_i)]
{i = 1}^∞,计算该特征映射诱导的核,并将其解释为概率分布,讨论可以用这种方式表示的分布类型。|
|13.14|证明递归式(13.20)可用于计算式(13.17)。|
|13.15|通过将第 13.3 节描述的思想应用于第 13.2 节描述的核,构造局部字符串核,并讨论其与衰减参数诱导的局部性的关系。|
|13.16|设计一个字符串核,使其仅惩罚“多余”长度,避免长匹配序列对比较贡献小的问题。|
|13.17|尝试将序列处理的思想推广到二维结构,如图像,构造一个根据共同子图像的数量和连续性评估两个图像相似度的核。|
|13.18|已知特征映射 Φ 和 Φ’ 及其对应的正则化算子 ϒ 和 ϒ’,构造对应于 ˜k(x, x’) = <Φ’(Φ(x)), Φ’(Φ(x’))> 的复合正则化算子 ˜ϒ,考虑特殊情况:Φ 是第 13.4.1 节的得分映射,Φ’ 是对 Φ(x) 和 Φ(x’) 应用高斯核得到的映射。|
|13.19|研究在 Fisher 核特征空间中,Tracy - Widom 定律的准确性,已知该空间分布是球形的(但不一定是高斯的)。|

3. 核特征提取简介

将数据隐式映射到高维特征空间的思想在支持向量机中非常有效,使其能够处理复杂的非线性可分的现实问题。自然地,人们会思考这种思想是否能在其他学习领域发挥作用。

核主成分分析(Kernel PCA)是一种基于核的非线性主成分分析方法。通过使用正定核,可以在高维特征空间中高效地计算主成分,这些高维特征空间与输入空间通过某种非线性映射相关。该方法可以嵌入到一个通用的特征提取框架中,这个框架包括经典算法如投影追踪,以及稀疏核特征分析(KFA)等用于高效特征提取的核算法。

4. 经典主成分分析(PCA)回顾

PCA 是一种从可能的高维数据集中提取结构的强大技术。给定一组中心化的观测值 x_i(i = 1, …, m),即 ∑ {i = 1}^m x_i = 0,PCA 通过对角化协方差矩阵 C = (1 / m) ∑ {j = 1}^m x_j x_j^T 来找到主轴。协方差矩阵 C 是正定的,可对角化为具有非负特征值的形式。通过求解特征值方程 λv = Cv(其中 λ ≥ 0 且 v 是非零特征向量),可以得到主成分。

mermaid 流程图如下:

graph TD;
    A[输入中心化观测值 x_i] --> B[计算协方差矩阵 C];
    B --> C[求解特征值方程 λv = Cv];
    C --> D[得到主成分];
5. 核主成分分析(Kernel PCA)
5.1 非线性 PCA 作为特征值问题

考虑一个可能是非线性的映射 Φ : Ω → H,将输入空间 Ω 映射到特征空间 H,特征空间 H 可能具有任意大甚至无限的维度。假设数据在特征空间中是中心化的,即 ∑ {i = 1}^m Φ(x_i) = 0,特征空间中的协方差矩阵为 C = (1 / m) ∑ {j = 1}^m Φ(x_j) Φ(x_j)^T。

需要求解特征值方程 λv = Cv(其中 λ ≥ 0 且 v 是非零特征向量)。所有非零特征值对应的解 v 都位于 Φ(x_1), …, Φ(x_m) 的张成空间中,因此可以考虑一组等价的方程 λ <Φ(x_n), v> = <Φ(x_n), Cv> (n = 1, …, m),并且存在系数 α_i(i = 1, …, m)使得 v = ∑_{i = 1}^m α_i Φ(x_i)。

将这些代入特征值方程,得到关于 m×m 格拉姆矩阵 K_ij = <Φ(x_i), Φ(x_j)> 的特征值问题 mλ α = K α,其中 α 是列向量 (α_1, …, α_m)^T。求解该特征值问题得到非零特征值 λ_1 ≥ λ_2 ≥ … ≥ λ_m 及其对应的特征向量 α_1, …, α_m,对前 p 个非零特征值对应的特征向量进行归一化,使得 = 1(n = 1, …, p)。

对于测试点 x,其在特征空间中的非线性主成分(或特征)为 = ∑ {i = 1}^m α_n^i <Φ(x_i), Φ(x)> = ∑ {i = 1}^m α_n^i k(x_i, x) (n = 1, …, p),其中 k(x_i, x) 是核函数。

实际应用中,为了方便计算,通常假设数据在输入空间中是中心化的,但在特征空间中直接计算均值比较困难。可以通过对格拉姆矩阵进行调整,即 ˜K_ij = (K - 1_m K - K 1_m + 1_m K 1_m)_ij (其中 (1_m)_ij = 1 / m),来实现数据在特征空间中的中心化。基于中心化矩阵 ˜K 的 Kernel PCA 也可以使用更大类别的条件正定矩阵,因为数据中心化使得问题具有平移不变性。

5.2 Kernel PCA 的性质

Kernel PCA 对应于某个高维特征空间中的标准 PCA,因此 PCA 的所有数学和统计性质都适用于 Kernel PCA,只是这些性质是关于特征空间 H 中的点 Φ(x_i)(i = 1, …, m),而不是输入空间中的点。

  • 最优性质 :
  • 前 q 个主成分(或特征向量上的投影)携带的方差比任何其他 q 个正交方向都多。
  • 用前 q 个主成分表示特征空间中的观测值时,均方近似误差最小。
  • 主成分是不相关的。
  • 在特征空间满足高斯性假设的情况下,前 q 个主成分与输入具有最大的互信息,这强烈依赖于所选择的特定核和数据。

  • 与 SVM 的联系 :对于所有 n = 1, …, p,第 n 个 Kernel PCA 特征提取器(按 1 / √λ_n 缩放)在所有形式为 f(x) = ∑ i α_i k(x_i, x) 的特征提取器中是最优的,即在再生核希尔伯特空间(RKHS)H 中具有最小的权重向量范数 ||v||^2 = ∑ {i, j = 1}^m α_i α_j k(x_i, x_j),同时满足与前 n - 1 个 Kernel PCA 特征提取器正交,并且应用于训练集 x_1, …, x_m 时输出具有单位方差。

  • 特征数量 :与线性 PCA 不同,Kernel PCA 可以提取超过输入维度的主成分数量。当观测值数量 m 超过输入维度 N 时,线性 PCA 最多只能找到 N 个非零特征值,而 Kernel PCA 最多可以找到 m 个非零特征值。

  • 从主成分重建 :标准 PCA 可以通过特征向量基展开从完整的主成分集合中重建原始模式。在 Kernel PCA 中,虽然可以从非线性主成分重建模式在特征空间中的图像,但如果只有近似重建,不能保证能在输入空间中找到重建的精确原像,此时需要进行近似处理。

5.3 与其他方法的比较
  • Hebbian 网络 :从 Oja 的开创性工作开始,提出了许多用于计算主成分的无监督神经网络类型算法。与对角化协方差矩阵的标准方法相比,它们在处理非平稳数据时具有优势。通过使用非线性神经元可以得到这些算法的非线性变体,提取的特征被称为非线性主成分。但这些方法没有 Kernel PCA 那样在与输入空间非线性相关的特征空间中进行标准 PCA 的几何解释,因此更难理解它们具体提取的内容。
  • 自联想多层感知器 :一个具有较小隐藏层的线性感知器,在自联想模式下训练时,隐藏单元的激活形成与 PCA 密切相关的低维表示。通过使用非线性神经元和额外的层可以将其推广到非线性情况。但网络训练需要解决一个困难的非线性优化问题,存在陷入局部极小值的可能性,并且神经网络实现往往存在过拟合的风险。此外,需要事先指定要提取的成分数量。
  • 主曲线方法 :主曲线方法通过迭代估计一条曲线(或曲面)来捕捉数据的结构。数据被投影到由算法确定的曲线上,曲线上的每个点是所有投影到该点的数据点的平均值。可以证明,具有这种性质的唯一直线是主成分,因此主曲线是标准 PCA 的推广。计算主曲线需要解决一个非线性优化问题,并且需要事先指定曲面的维度,即要提取的特征数量。
  • Kernel PCA 的优势 :Kernel PCA 是 PCA 的非线性推广,它在任意大(可能无限)维度的特征空间中执行 PCA,并且当使用核 k(x, x’) = 时,可恢复原始的 PCA 算法。与上述方法相比,Kernel PCA 的主要优势是不涉及非线性优化,本质上是线性代数运算,与标准 PCA 类似。此外,不需要事先指定要提取的成分数量。但与主曲线方法相比,Kernel PCA 在输入空间中更难解释;与神经网络方法相比,如果需要处理大量观测值,会导致矩阵 K 很大,不过可以使用稀疏贪婪方法进行近似计算。

一些其他方法,如局部线性嵌入(LLE)算法和多维缩放(MDS),则限制在训练数据上,旨在仅提供训练数据的低维表示,用于数据可视化等目的。Williams 指出,在仅从训练数据中提取特征的特殊情况下,Kernel PCA 与 MDS 密切相关。在某些情况下,MDS 可以通过使用 RBF 核的 Kernel PCA 来实现,避免了非线性优化。LLE 也可以通过对从局部线性嵌入核计算得到的格拉姆矩阵执行 Kernel PCA 来解决。

6. 通用特征提取框架

Kernel PCA 可以作为一个特殊情况嵌入到一个通用的特征提取框架中。这个框架还包括投影追踪和稀疏核特征分析(KFA)等算法。

  • 投影追踪 :投影追踪是一种寻找数据投影方向的方法,使得投影后的数据具有某种特定的性质,如最大方差或最大非高斯性。它通过迭代优化一个目标函数来找到最优的投影方向。
  • 稀疏核特征分析(KFA) :KFA 是一种用于高效特征提取的核算法。它的目标是在特征空间中找到一组稀疏的特征,这些特征能够很好地表示数据,同时减少特征的数量,提高计算效率。

下面是这个通用特征提取框架的简单流程:
|步骤|描述|
| ---- | ---- |
|1|选择合适的核函数 k(x, x’),将输入数据映射到高维特征空间。|
|2|根据具体的算法(如 Kernel PCA、投影追踪、KFA 等),在特征空间中进行特征提取操作。|
|3|对提取的特征进行评估和选择,保留最有价值的特征。|

mermaid 流程图如下:

graph TD;
    A[输入数据] --> B[选择核函数];
    B --> C[特征提取操作];
    C --> D[特征评估与选择];
    D --> E[输出有价值的特征];
7. 稀疏 KFA 算法

稀疏 KFA 算法在特征提取中具有重要作用,下面详细介绍其相关内容。

7.1 算法概述

稀疏 KFA 旨在找到一组稀疏的特征,使得这些特征在表示数据时具有较高的效率。它通过在特征空间中引入稀疏性约束,减少不必要的特征,从而提高计算效率和模型的泛化能力。

7.2 高效实现

为了实现高效的特征提取,稀疏 KFA 采用了一些特殊的技术。例如,它可以利用核矩阵的稀疏性,减少计算量。同时,通过迭代优化的方法,逐步找到最优的稀疏特征。

7.3 实验验证

通过一些玩具实验可以验证稀疏 KFA 的性能。在实验中,将稀疏 KFA 应用于不同的数据集,观察其在特征提取和数据表示方面的效果。实验结果表明,稀疏 KFA 能够有效地提取有价值的特征,同时减少特征的数量,提高模型的性能。

8. Kernel PCA 实验

为了验证 Kernel PCA 的有效性,进行了相关实验。

8.1 实验设置

选择合适的数据集,如图像数据集或文本数据集。确定核函数的类型,如多项式核、高斯核或 Sigmoid 核。设置实验参数,如主成分的数量 q 等。

8.2 实验结果
  • 方差分析 :实验结果显示,前 q 个主成分携带的方差比其他正交方向多,验证了 Kernel PCA 的最优性质。
  • 重建误差 :用前 q 个主成分表示数据时,均方重建误差最小,进一步证明了 Kernel PCA 的有效性。
  • 特征相关性 :主成分之间是不相关的,这与理论分析一致。

通过这些实验,可以看出 Kernel PCA 在高维数据的特征提取和降维方面具有良好的性能。

9. 总结

核设计和核特征提取在机器学习中具有重要的地位。核设计提供了一种有效的方法来处理非线性问题,通过选择合适的核函数,可以将输入数据映射到高维特征空间,从而使线性算法能够处理非线性数据。

Kernel PCA 作为一种非线性主成分分析方法,在高维特征空间中执行 PCA,具有许多优点,如不需要非线性优化、不需要事先指定要提取的成分数量等。同时,它与其他方法(如 MDS、LLE 等)存在密切的联系,可以在不同的场景中发挥作用。

通用特征提取框架包括投影追踪和稀疏 KFA 等算法,为特征提取提供了更多的选择。稀疏 KFA 在特征提取的效率和稀疏性方面具有优势,能够提高模型的性能。

未来,可以进一步研究核函数的设计和选择方法,以提高核算法的性能。同时,可以探索更多的特征提取算法,结合不同的技术,解决更复杂的实际问题。

相关推荐

MATLAB算法实战应用案例精讲-【深度学习工具篇】sift特征提取

前面说了SIFT是图像的局部特征描绘子。英文就是Local features。与之相对应的是全局特征(global features)。给定一幅图像, 我们计算出整幅图像的直方图(histogram), 那么这个直方图就是这幅图像的全局特征描绘子(global feature), 如果采用滑动窗口的办法, 例如窗口的大小为4x4等, 然后计算窗口的所有像素的均值, 将这个均值作为中心像素的邻域描述, 那么这个就是局部特征。

qq_36130719的博客 753

41、脑机接口(BCI)技术:原理、应用与未来展望

本文全面介绍了脑机接口(BCI)技术的原理、分类、发展历程及核心组成部分,涵盖信号采集与处理、系统设计与评估等内容。重点探讨了自适应BCI、情感BCI(aBCI)、基于注意力的BCI以及运动相关皮质电位(MRCP)关联BCI的技术特点与应用前景。文章还总结了BCI在娱乐、康复、假肢控制和多用户协作等领域的应用案例,并分析了当前面临的技术挑战与未来发展趋势,包括技术融合、临床拓展和用户体验提升,展望了BCI技术推动人机交互变革的巨大潜力。

wine的专栏 482

41、微博用户聚类与智能手机设计中的质量屋应用

本文探讨了微博用户聚类在推荐系统中的应用,以及质量屋(HOQ)在智能手机设计决策中的关键作用。通过改进BP神经网络和UR-LDA模型对微博用户进行无监督聚类,识别出六类用户群体并分析其舆情特征,为精准推荐提供依据。在智能手机设计方面,以三星为例,深入分析HOQ如何将客户需求转化为设计需求,实现竞争优势、设计权衡与资源优化。同时指出HOQ面临的人为因素和需求模糊性挑战,并提出应对策略。文章还展望了HOQ向数字化、智能化、动态化发展的趋势,为产品设计提供系统化解决方案。

y4z5a6b7的博客 122

深度学习数字识别系统原理与方法

深度学习数字识别系统原理与方法 1. 背景介绍 1.1 数字识别的重要性 在当今数字化时代,数字识别技术在各个领域都扮演着重要角色。从银行支票的自动处理到车牌识别系统,再到手写数字的电子化存储,数字识别技术无处不在。准确高效的数字识别系统可

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 1224

【大数据环境下的隐私安全的图像特征提取及应用】原创学位论文

随着大数据时代的到来,人们在使用各种智能设备和系统时产生的海量数据引发了对隐私安全的持续关注。隐私安全已经成为研究者和开发者们需要解决的重要问题之一。本文围绕大数据环境下的隐私安全展开研究,着重探讨了图像特征提取及其在隐私保护中的应用。首先,我们介绍了大数据环境下的隐私安全概念和挑战。随着个人信息的数字化和存储,个人隐私变得越来越容易受到侵犯。在这种情况下,隐私保护成为一项紧迫的任务。我们分析了大数据环境下隐私安全的主要威胁和挑战,如数据泄露、信息窃取等,以此为基础提出了本文的研究目标。

No_Name_Cao_Ni_Mei的博客 522

(未传知网)大数据环境下的隐私安全的图像特征提取及应用

因此,本研究的目的是针对大数据环境下的隐私安全问题,提出有效的图像特征提取与应用方法,以保证用户的隐私信息不被泄露。为了保护用户的隐私安全,本文提出了一种基于多方计算的图像特征提取方法,通过将参与计算的各方的图像数据进行加密处理,实现了对个人隐私的保护而不损失图像特征提取的效果。基于以上背景,本文旨在研究大数据环境下的隐私安全的图像特征提取及应用,为图像处理和分析领域提供了一种新的隐私保护思路和方法,对于推动大数据时代的图像处理和隐私安全保护具有重要的理论和实际意义。大数据,隐私安全,图像特征提取,应用。

No_Name_Cao_Ni_Mei的博客 1321

人民网留言数据爬取

起因是要做一个LDA主题分析的实践案例,需要数据来源,人民网的留言数据特别的适合,想着能不能用人民网留言数据来做一个LDA,种种原因还是放弃了,但是第一次弯弯绕绕地通过爬虫拿到了数据,还是想记录一下。值得说明的是,这篇博客写于2025年11月9日,其中的加密逻辑可能会随着时间而变动。

Phoenix1st的博客 1036

Linux中断子系统(二)—— 通用框架处理

1、数据结构分析 (1)中断描述符结构structirq_desc: 1)打开CONFIG_SPARSE_IRQ宏(中断编号不连续),中断描述符以radix- tree来组织,用户在初始化时进行动态分配,然后再插入radix-tree中; 2)关闭CONFIG_SPARSE_IRQ宏(中断编号连续),中断描述符以数组的 形式组织,并且已经分配好; 3)不管哪种形式,最终都可以通过linuxirq号来找到对应的中断描述符; (2)stru...

weixin_38428439的博客 4874

Kinect V1结构光激光散斑原理及样式

   对 intel realsense F200 和 Kinect V1的coding pattern原理进行调研,知二者都使用light coding的方式,该方法与传统的coded structure light不同:传统编码结构光(空间编码,时间编码)最终使用的是三角测量的原理计算深度信息;light coding通过投射具有高度伪随机性的激光散斑,会随着不同距离变换不同

松间明月 1万+

让 AI 学会“慢思考”:MCP Sequential Thinking 深度部署与使用指南

摘要: MCP Sequential Thinking 是一种让AI具备"慢思考"能力的技术,通过动态调整思维路径解决复杂问题。本文详细介绍了在Windows、macOS和Linux系统下的部署方法,包括环境准备、配置文件修改等步骤。该技术通过"产生想法-评估需求-修正路径"的循环机制,显著提升AI在代码设计、数学证明等复杂任务中的表现。文章还提供了验证安装方法、使用示例和常见问题解答,帮助开发者解锁AI的深层思考能力。(149字)

weixin_43236925的博客 1914

Python爬虫实战:利用Selenium与反反爬技术高效爬取企查查工商信息

本文将详细介绍如何使用Python最新爬虫技术(包括Selenium、Playwright、智能代理池等)爬取企查查工商信息数据。文章包含完整的代码实现、反反爬策略、数据解析与存储方案,以及法律合规性讨论,共计约8000字。企查查作为国内领先的企业信息查询平台,收录了超过2亿家企业的工商信息、司法信息、知识产权等数据。这些数据对于市场分析、商业决策等具有重要价值。法律边界提示禁止大规模爬取导致服务器过载不得绕过付费接口获取数据数据使用需遵守《个人信息保护法》商业用途需获得授权。

2201_76125261的博客 2237

深度强化学习 | 基于SAC算法的动态避障(ROS C++仿真)

本文介绍了基于SAC(软性演员-评论家)算法的机器人运动规划方法,通过PyTorch框架实现了端到端训练,并部署到Python和ROS C++中。实验结果显示,基于SAC算法的智能体在动态避障任务中表现良好,能实现从起点到终点的无碰撞导航。

FRIGIDWINTER的博客 8227

【定位模块算法】amcl(蒙特卡洛)粒子滤波定位算法(附C++代码)

系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言(1)amcl定位框架介绍(2)amcl定位框架组成(1)ROS-TF坐标转换树【ROS的工具】(2)robot_pose_ekf扩展卡尔曼位姿估计算法(3)定位amcl自适应蒙特卡洛定位,adaptive monte carlo localizaion**(3)amcl定位节点的订阅与发布(4)amcl定位功能包用法(1)编写amcl节点相关的launch(amcl_omni.l

qq_35635374的博客 4404

FLUENT 软件中design modeler网格划分后,导出失败:系统显示“在网格文件导出过程中出现异常。请将数据发送给您的技术支持供应商。”...如何解决?

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 1477

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

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。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: 16、使用 AWS Lambda 自动化操作任务
下一篇: 42、核主成分分析实验与特征提取框架
sql99
博客等级 码龄19年 168粉丝 1905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  | 博主筛选后可见
 
 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