其他

spring封裝了rmi後，使我們得到幾點便利：不用調用rmic編譯stub和skeleton不用直接實現remote介面不需要啟動命名服務rmiregistry但，卻不支援原來rmi的回調功能。查閱許多網頁也不得其解。 今天，想到一招，共用出來，如果大家有好辦法歡迎回貼共用。 正常做法是：回調一般是用在一群client端需要server來通知的情況，一般server就用Vector來儲存client對象。server端需要提供一個方法，client把對象傳過來後，儲存到Vector中，以後就可

+  使用者表user，建立課程屬性工作表course、使用者課程關係表user_course。    user( id, name, password)    course( course_id, course_name, course_desc)    user_course( id, course_id)， 其中id，course_id是外鍵+  產生對應的對象：    user: id, name, password, courses；course：id, name, desc,

1、LinkedList元素在內部儲存的實現，節點定義即指向前一元素的指標，後一元素的指標，當前元素的值。 private static class Entry<E> {    E element;    Entry<E> next;    Entry<E> previous;    Entry(E element, Entry<E> next, Entry<E> previous) {        this.element =

首先準備好資料庫表或視圖：CREATE TABLE users (  user_name       VARCHAR(15) NOT NULL PRIMARY KEY,  user_pass       VARCHAR(15) NOT NULL); CREATE TABLE user_roles (  user_name       VARCHAR(15) NOT NULL,  role_name       VARCHAR(15) NOT NULL,  PRIMARY KEY

MyEclipse常用設定MyEclipse 選擇 Windows->Preperences ->General ->keys找到 word completion的快速鍵把原alt+/刪掉！//必須把Content Assist 的快速鍵

前文提到過，除了分類演算法以外，為分類文本作處理的特徵提取演算法也對最終效果有巨大影響，而特徵提取演算法又分為特徵選取和特徵抽取兩大類，其中特徵選取演算法有互資訊，文檔頻率，資訊增益，開方檢驗等等十數種，這次先介紹特徵選取演算法中效果比較好的開方檢驗方法。　　大家應該還記得，開方檢驗其實是數理統計中一種常用的檢驗兩個變數獨立性的方法。（什嗎？你是文史類專業的學生，沒有學過數理統計？那你做什麼文本分類？在這搗什麼亂？）　　開方檢驗最基本的思想就是通過觀察實際值與理論值的偏差來確定理論的正確與否。具

中文問題  a,如果是一個靜態頁面（html），裡面有中文，一定要設定 , 並且要保證儲存該頁面的編碼也是  utf-8。 當然，charset也可以  gbk,gb2312。其作用是，類比  Conent-Type訊息頭， 告訴瀏覽器當前返回的頁面的編碼是什麼。 b,在  Servlet類的  service方法裡： request.setCharacterEncoding("utf-8"); 其作用是，告訴伺服器，以指定的編碼格式去解碼。 如果Servlet還要將結果輸出到用戶端（  瀏  

有些項目中，由於特殊的需求，必須凍結行或列，或者行和列同時都需凍結，幾個月前，我曾解決過凍結行的操作，即凍結表頭，這種外掛程式和代碼方式網上到處都是，我比較喜歡的是名為fixedtableheader的外掛程式，只是可能會稍微有點錯位，現在網上好多案例比這個實現的更好了，那麼如果同時凍結行和列，就讓人頭疼了，同事前段時間為了這個糾結了近一周，這兩天讓我幫忙整下，我就趁項目不太吃緊的情況下，查了些資料，找到了一個比較好的外掛程式superTables，這個外掛程式不僅可以單獨凍結行或列，還可以同時

文章目錄 1.隱馬爾科夫模型（HMM） 1.隱馬爾科夫模型（HMM）執行個體：隱藏狀態：Sunny，Cloudy，Rainy觀察狀態：Dry，Dryish，Damp，Soggy初始向量狀態轉移矩陣('A' ) weatheryesterday   weather today SunnyCloudyRainy Sunny0.500 0.375 0.125  Cloudy0.250 0.125 0.625  Rainy0.250 0.375 0

在網上也搜尋了一些資料，找到一些樹表組件，不過都不是太理想，於是乎，自己無聊中手寫了個符合自己用法的組件，使用方式如下： $(function(){      $.lyg_treeTable.initTree("#treeTable");              var map=[-1,0,0,2,3,4,5];      $.lyg_treeTable.initTrs("#treeTable1",map);      

解決Fedora安裝Virtualbox後無法運行:/etc/init.d/vboxdrv setup在Fedora下安裝了Virtualbox，發現運行時出現以下問題：Kernel driver not installed (rc=-1908)The VirtualBox Linux kernel driver (vboxdrv) is either not loaded or there is a permission problem with /dev/vboxdrv. Please

基於統計的語言模型比基於規則的語言模型有著天然的優勢，而（中文）分詞是自然語言處理的基礎，接下來我們將注重介紹基於統計的中文分詞及詞性標註技術。為此做以下安排：首先介紹一下中文處理涉及到基本概念，接著分析開源的一些基於統計的中文分詞原理。中文分詞涉及的基本概念有馬爾科夫鏈，隱馬爾科夫模型（HMM），Ngram模型，最大熵馬爾科夫模型(MEMM)，條件隨機場(CRF)等1、馬爾科夫鏈通俗講馬爾科夫鏈是指在某一狀態空間序列中，當前的狀態只與它前面n（n=1,2，……）個狀態相關。具體定義如下：馬爾科

有一天，不小心瀏覽開源中國的網站，在上面偶然間看到了JEECG這款輕量級架構，最初感覺也沒什麼，深入瞭解後，我發現也是蠻強大的。我在公司裡面做公司產品研發也做了一段時間，公司也在研發與JEECG類似的架構，但是令人失望的是，整個產品沒有良好的架構，並且產品的成本也較高，幾乎所有的功能都是基於Oracle的各種產品做得，如果讓一個中小型企業去使用的話，恐怕沒多少公司願意接受吧。這段時間正好辭了工作，在家裡閑來無事，就又想起了這個開源架構，研究了一番以後，發現我們公司做的好多功能，在JEECG上面都

1、 ArrayList預設的初始化因子大小是10。/**     * Constructs an empty list with an initial capacity of ten.//一般初始化因子為10     */    public ArrayList() {    this(10);// 調用2中的ArrayList(int initialCapacity)；    }2、用來產生一個大小為initialCapacity的ArrayList。其底層實現為一Object數組。/** 

#include <stdio.h>#include <WinSock2.h>#include "a.h"#pragma comment(lib,"ws2_32.lib")template <class T>struct TNode{ public: T a; TNode *next;};typedef TNode<int> IntNode;IntNode *Resever(IntNode *&Head){ IntNode *p =

最大熵馬爾科夫模型（MEMM）定義：MEMM是這樣的一個機率模型，即在給定的觀察狀態和前一狀態的條件下，出現目前狀態的機率。                                                                                      MEMM依賴圖Ø  S表示狀態的有限集合Ø  O表示觀察序列集合Ø  Pr(s|s’,o):觀察和狀態轉移機率矩陣Ø  初始狀態分布：Pr0(s)HMM vs. MEMM   任務HMMMEMM評估計算

bin/oozie job -oozie http://hadoop-01:11000/oozie -config /tmp/examples/apps/map-reduce/job.properties -runError: E0902 : E0902: Exception occured: [org.apache.hadoop.ipc.RemoteException: User: oozie is not allowed to impersonate

設wi是文本中的任意一個詞，如果已知它在該文本中的前1個詞wi-1，便可以用條件機率P(wi|wi-1)來預測wi出現的機率。這就是統計語言模型的概念。一般來說，如果用變數W代表文本中一個任意的詞序列，它由順序排列的n個片語成，即W=w1w2...wn，則統計語言模型就是該詞序列W在文本中出現的機率P(W)。利用機率的乘積公式，P(W)可展開為：                   P(W) = P(w1)P(w2|w1)P(w3|w1w2)...P(wn|w1

先來瞭解一下Convention吧，Convention外掛程式完全工作在後台，Convention外掛程式預設的搜尋位於struts，struts2，action或者actions包下的java類。Action類必須實現com.opensymphony.xwork2.Action或者名字以Action結尾。

比較喜歡fedora，但是使用預設的gnome案頭的時候，發現部分設定預設是沒有開啟的，比如案頭右鍵等等關於案頭的應用：1 安裝和配置GNOME-tweak-tool#yum install gnome-tweak-tool這裡就可以設定部分案頭的屬性了，自己設定吧2 安裝滑鼠右鍵"在終端中開啟"#yum install nautilus-open-terminal關於開發軟體eclipse其實fedora18中已經含有eclipse的安裝包,只需要通過yum