51单片机实例35例汇编+C语言对照带电路图及说明（闪烁灯，广告灯的左移右移，动态数码显示技术，电子密码锁设计......）

web课程设计报告1概述 11.1设计目的 11.2设计任务 11.3可行性分析 12支撑环境规划 23系统目标和设计原则 23.1系统目标 23.2设计原则 24需求分析 34.1系统任务 34.2系统功能 34.3系统流程图 35系统详细设计 45.1系统主要功能结构 45.2数据库设计 46总体实施 66.1功能模块设计实现 66.2运行结果 107研制报告 20

目录摘要 IAbstract II目录 I第1章绪论 11.1开发背景及目标 11.2系统的B/S模式 11.2.1软件体系结构介绍 11.2.2B/S的三层体系结构 21.2.3C/S架构的优势与劣势 31.2.4B/S架构的优势与劣势 41.3开发工具的选用及介绍 51.3.1JSP网络技术 51.3.2Dreamweaver介绍 61.3.3SQLServer2000介绍 71.4开发及运行环境 81.4.1硬件环境及操作系统 81.4.2系统开发平台 9第2章网站总体分析和总体设计 102.1网站总体分析 102.1.1需求分析 102.1.2可行性分析 102.1.3业务流程分析 112.2网站总体设计 122.2.1前台功能模块设计 122.2.2网页界面设计 142.2.3后台功能模块设计 182.2.4MVC设计模式 18第3章后台数据库制作 203.1数据库概述 203.1.1关系型数据库 203.1.2JDBC数据库访问技术 203.1.3SQL语言介绍 223.2数据库设计 233.2.1数据库设计规划 233.2.2用户需求分析 233.2.3概念结构设计 243.2.4逻辑结构设计 273.2.5数据库运行与维护 293.3模块的实现 293.3.1数据添加功能 293.3.2数据查询功能 303.3.3数据修改功能 313.3.4数据删除功能 323.4JSPWeb服务 323.4.1JSP服务对象 323.4.2JavaBeans简介 333.5JavaScript脚本语言介绍 34第4章网站的测试 354.1单元测试 354.2集成测试 354.3系统测试 354.4测试过程 354.5测试结果 35结论 37致谢： 38参考文献 39附录 40

第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31．1人工神经网络的起源……………………………………………………31．2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42．1神经元及其特性…………………………………………………………52．2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73．1Hopfield网络…………………………………………………………73．2反向传播(BP)网络……………………………………………………83．3Kohonen网络…………………………………………………………83．4自适应共振理论(ART)……………………………………………………93．5学习矢量量化（LVQ）网络…………………………………………11§1.4多层前馈神经网络（ＢＰ）模型…………………………………………124．1BP网络模型特点 ……………………………………………………124．2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144．3网络的训练过程………………………………………………………154．4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174．5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254．1样本的预处理………………………………………………………254．2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305．1面板堆石坝堆石体垂直压缩模量的控制……………………………305．2水布垭面板堆石坝变形的预测……………………………………355．3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………

db-4.7.25.tar.gzfreetype-2.3.5.tar.gzft254.zipgd-2.0.35.tar.gzgettext-0.16.1.tar.gzhttpd-2.4.10.tar.gzjpegsrc.v6b.tar.gzlibpng-1.6.15.tar.gzlibxml2-2.6.32.tar.gzopenldap-2.4.38.tgzphp-5.2.9.tar.gzphpldapadmin-0.9.8.5.tar.gzzlib-1.2.8.tar包含上述安装包，都是源码包，通过编译安装，在CentOs5.0下运行通过

采用激光诱导击穿光谱（LIBS）技术结合偏最小二乘判别分析（PLS-DA）对新疆、青海和俄罗斯的白色软玉进行产地研究。
选取产自新疆（和田、于田、且末）、青海（格尔木）、俄罗斯（贝加尔湖）的146个白色软玉样品作为样品集，从样品集中随机抽取111个样品作为校正集，用于建立PLS-DA识别模型，剩余35个样品作为验证集，用于检验PLS-DA识别模型的预测效果。
采用LIBS对三个产地的软玉样品进行成分分析，选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素，并选取589.995，766.490，396.152，670.793，313.042，257.610，407.771，389.138，455.403，437.493，401.239nm处的谱线作为目标元素的分析谱线，选取Si元素作为内标元素，以其在288.158nm处的谱线作为内标元素分析谱线，分别计算各目标元素与内标元素的谱线强度的比值Rx，由Rx组成自变量矩阵，用于模型的建立与预测。
实验结果表明，采用LIBS结合PLS-DA建立的产地识别模型，其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9

四、应用题(共30分)1、用语义网络表示下列信息：(1)胡途是思源公司的经理，他35岁，住在飞天胡同68号(2)清华大学与北京大学进行蓝球比赛，最后以89：102的比分结束。

UltraEdit是不熟悉linux编程界面的福音，目前亲测支持25.20版本，25.10版本，25.00版本，漏网之鱼24.20.0.35，用不了，嘻嘻

“十二五”普通高等教育本科国家级规划教材，化工流程模拟实训

windows下下载利器

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。