Kds是用于多平台Kotlin1.3的数据结构库。
它包含一组用KotlinCommon编写的优化数据结构，因此可以在JVM，JS和将来的多平台目标中使用。
这些结构被设计为高效分配且快速的，因此Kds包括针对诸如Int或Double基元的专用版本。
支持KDS如果您喜欢kds，或在这里想要您的公司徽标，请考虑，除了确保项目的连续性，您还将获得独家内容。
完整文档：:一些样本：//CaseInsensitiveMapvalmap=mapOf("hELLo"to1,"World"to2).toCaseInsensitiveMap()println(map["hello"])//BitSetvalarray=BitSet(100)//Stores100bitsarray[99]=tr
它包含一组用KotlinCommon编写的优化数据结构，因此可以在JVM，JS和将来的多平台目标中使用。
这些结构被设计为高效分配且快速的，因此Kds包括针对诸如Int或Double基元的专用版本。
支持KDS如果您喜欢kds，或在这里想要您的公司徽标，请考虑，除了确保项目的连续性，您还将获得独家内容。
完整文档：:一些样本：//CaseInsensitiveMapvalmap=mapOf("hELLo"to1,"World"to2).toCaseInsensitiveMap()println(map["hello"])//BitSetvalarray=BitSet(100)//Stores100bitsarray[99]=tr
2024/10/31 13:21:27
266KB
1
山梨酸钾是一种常用防腐剂，应用非常广泛，但食用过量会严重危害人体健康。
研究了山梨酸钾在水溶液和橙汁中的荧光特性，山梨酸钾水溶液荧光特征峰为λex/λem=375nm/485nm，山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰，还有一个侧峰λex/λem=470nm/540nm。
在混合溶液中，橙汁和山梨酸钾的荧光特性相互干扰，加大了山梨酸钾浓度检测的难度。
为准确测定混合溶液中山梨酸钾的浓度，采用微粒群算法优化的误差逆向传播(PSO-BP)神经网络对其进行检测。
3组预测样本的平均回收率为98.97%，PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0g/L。
预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。
研究了山梨酸钾在水溶液和橙汁中的荧光特性，山梨酸钾水溶液荧光特征峰为λex/λem=375nm/485nm，山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰，还有一个侧峰λex/λem=470nm/540nm。
在混合溶液中，橙汁和山梨酸钾的荧光特性相互干扰，加大了山梨酸钾浓度检测的难度。
为准确测定混合溶液中山梨酸钾的浓度，采用微粒群算法优化的误差逆向传播(PSO-BP)神经网络对其进行检测。
3组预测样本的平均回收率为98.97%，PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0g/L。
预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。
2024/10/25 21:48:04
4.37MB
1
实验描述:对指定数据集进行关联规则挖掘，选择适当的挖掘算法，编写程序实现，提交程序和结果报告。
数据集：retail.txt，根据数据集中的数据利用合适的挖掘算法得到频繁项集，并计算置信度，求出满足置信度的所有的关联规则retail.txt中每个数字表示一种商品的ID，一个{}内的表示一次交易实验环境和编程语言：本实验使用的编程语言为：Java编程环境为：Intellijidea实现频繁项集的挖掘算法为Apriori算法用于挖掘的样本个数为：1000个（retail.txt的前1000条数据）样本示例：{38,39,47,48}表示一个顾客购买了ID为38、39、47、48的四种商品。
数据集：retail.txt，根据数据集中的数据利用合适的挖掘算法得到频繁项集，并计算置信度，求出满足置信度的所有的关联规则retail.txt中每个数字表示一种商品的ID，一个{}内的表示一次交易实验环境和编程语言：本实验使用的编程语言为：Java编程环境为：Intellijidea实现频繁项集的挖掘算法为Apriori算法用于挖掘的样本个数为：1000个（retail.txt的前1000条数据）样本示例：{38,39,47,48}表示一个顾客购买了ID为38、39、47、48的四种商品。
2024/10/19 4:46:48
1.6MB
1
压缩包内含有ABBACS880变频器所有用户手册。
包含固件手册，硬件手册，产品样本，使用说明等。
包含固件手册，硬件手册，产品样本，使用说明等。
2024/10/12 14:19:54
109.02MB
1
L-M优化算法和贝叶斯正则化算法训练BP网络matlab代码，使其能够拟合某一附加有白噪声的正弦样本数据
2024/9/26 7:37:43
2KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB