目录　　第一章概论　　1.1fourier分析到小波分析　　1.2积分小波变换和时间-频率分析　　1.3反演公式和对偶　　1.4小波的分类　　1.5多分辨分析、样条及小波　　1.6小波分解与重构　　第二章fourier分析　　2.1fourier变换与fourier逆变换　　2.2连续时间卷积和函数　　2.3平方可积函数的fourier变换　　2.4fourier级数　　2.5基本收敛定理和poisson求和公式　　第三章小波变换和时间-频率分析　　3.1gabor变换　　3.2短时fourier变换和测不准原理　　3.3积分小波变换　　3.4二进小波和反演　　3.5框架　　3.6小波级数　　.第四章基数样条分析　　4.1基数样条空间　　4.2b-样条及其基本性质　　4.3两尺度关系和插入图形显示算法　　4.4基数样条的b-网表示与计算　　4.5样条逼近公式的构造　　4.6样条插值公式的构造　　第五章尺度函数与小波　　5.1多分辨分析　　5.2无限两尺度关系的尺度函数　　5.3l2(ir)的直接和分解　　5.4小波和它们的对偶　　5.5线性相位滤波　　5.6紧支撑小波　　第六章基数样条小波　　6.1插值样条小波　　6.2紧支撑样条小波　　6.3基数样条小波的计算　　6.4euler-frobenius多项式　　6.5样条小波分解中的误差分析　　6.6全正性、完全振荡及零交叉　　第七章正交小波和小波包　　7.1正交小波的例子　　7.2正交两尺度符号的识别　　7.3紧支撑正交小波的构造　　7.4正交小波包　　7.5小波级数的正交分解　　注解　　附录a　　参考文献　　索引

MaterialRatingBar具有更好外观的MaterialDesignRatingBar，与Android3.0+兼容。
为什么选择MaterialRatingBar？在Android3.0及更高版本上外观一致。
扩展框架RatingBar。
如“材质图标”和Google应用中所述，获取2dp星形边框背景。
跨平台正确自定义着色。
当layout_width设置为match_parent，能够正确呈现，如在GooglePlay商店中一样。
当layout_height设置为16dp，36dp和48dp以外的值时，能够正确缩放。
能够正确显示诸如4.3等级，但由于框架的不正确实现而将其填充为4.5。
避免框架沉没的半星视觉毛病。
用作框架RatingBar替代。
预习积分Gradle：implementation'me.zhanghai.android.materialratingbar:library:1.4.0'用法只需将您的RatingBar替换为MaterialRatingBar，并记住为正确的行为应用相应的样式

L298N可接受标准TTL逻辑电平信号VSS，VSS可接4．5～7V电压。
4脚VS接电源电压，VS电压范围VIH为＋2．5～46V。
输出电流可达2．5A，可驱动电感性负载。
1脚和15脚下管的发射极分别单独引出以便接入电流采样电阻，构成电流传感信号。
L298可驱动2个电动机，OUT1，OUT2和OUT3，OUT4之间可分别接电动机，本实验装置我们选用驱动一台电动机。
5，7，10，12脚接输入控制电平，控制电机的正反转。
EnA，EnB接控制使能端，控制电机的停转。
表1是L298N功能逻辑图。

本书讲述了Javascript和DOM的基础知识，但重点放在DOM编程技术背后的思路和原则：预留退路、循序渐进和以用户为中心等，这些概念对于任何前端Web开发工作都非常重要。
本书将这些概念贯穿在书中的所有示例代码中，使你看到用来创建图片库页面的脚本、用来创建动画效果的脚本和用来丰富页面元素呈现效果的脚本，最后结合所讲述的内容创建了一个实际的网站。
目录第1章JavaScript简史1.1JavaScript的起源1.2浏览器战争1.2.1DHTML1.2.2浏览器之间的冲突1.3制定标准1.3.1浏览器以外的考虑1.3.2浏览器之争的结局1.3.3新的开始1.4小结第2章JavaScript语法2.1准备工作2.2语法2.3语句2.4变量2.4.1数据类型2.4.2数组2.5操作2.6条件语句2.6.1比较操作符2.6.2逻辑操作符2.7循环语句2.7.1while2.7.2do...while2.7.3for2.8函数2.9对象2.9.1内建对象2.9.2宿主对象2.10小结第3章DOM3.1文档:DOM中的"D"3.2对象:DOM中的"O"3.3模型:DOM中的"M"3.3.1节点3.3.2getElementById（）方法3.3.3getElementsByTagName（）方法3.4趁热打铁3.4.1getAttribute（）方法3.4.2setAttribute（）方法3.5小结第4章案例研究：JavaScript美术馆4.1编写标记语言文档4.2编写JavaScript函数4.2.1DOM之前的处理方案4.2.2showPic（）函数的代码清单4.3JavaScript函数的调用4.4对JavaScript函数进行功能扩展4.4.1childNodes属性4.4.2nodeType属性4.4.3在HTML文档里增加一段描述性文本4.4.4用JavaScript代码改变〈p〉元素的文本内容4.4.5nodeValue属性4.4.6firstChild和lastChild属性4.4.7利用nodeValue属性刷新〈p〉元素的文本内容4.5小结第5章JavaScript编程原则和良好习惯5.1不要误解JavaScript5.1.1不要归罪于JavaScript5.1.2Flash的遭遇5.1.3质疑5.2预留退路5.2.1“javascript:”伪协议5.2.2内嵌的事件处理函数5.2.3有何不好5.3向CSS学习5.4分离JavaScript5.5向后兼容性5.6小结第6章案例研究：JavaScript美术馆改进版6.1快速回顾6.2处理“预留退路”问题6.3处理“分离JavaScript”问题6.3.1添加事件处理函数6.3.2进行必要的检查6.3.3创建必要的变量6.3.4创建循环6.3.5完成必要的操作6.3.6完成JavaScript函数6.3.7把多个JavaScript函数绑定到onload事件处理函数上6.4JavaScript函数的优化：不要做太多的假设6.4.1不放过每个细节6.4.2键盘浏览功能6.4.3慎用onkeypress事件处理函数6.4.4把JavaScript与CSS结合起来6.5DOMCore和HTML-DOM6.6小结第7章动态创建HTML内容7.1document.write（）方法7.2innerHTML属性7.3DOM提供的方法7.3.1createElement（）方法7.3.2appendChild（）方法7.3.3createTextNode（）方法7.4重回“JavaScript美术馆”7.4.1inse

数据挖掘算法算法目录18大DM算法包名 目录名 算法名AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法Classification DataMining_CART CART-分类回归树算法Classification DataMining_ID3 ID3-决策树分类算法Classification DataMining_KNN KNN-k最近邻算法工具类Classification DataMining_NaiveBayes NaiveBayes-朴素贝叶斯算法Clustering DataMining_BIRCH BIRCH-层次聚类算法Clustering DataMining_KMeans KMeans-K均值算法GraphMining DataMining_GSpan GSpan-频繁子图挖掘算法IntegratedMining DataMining_CBA CBA-基于关联规则的分类算法LinkMining DataMining_HITS HITS-链接分析算法LinkMining DataMining_PageRank PageRank-网页重要性/排名算法RoughSets DataMining_RoughSets RoughSets-粗糙集属性约简算法SequentialPatterns DataMining_GSP GSP-序列模式分析算法SequentialPatterns DataMining_PrefixSpan PrefixSpan-序列模式分析算法StatisticalLearning DataMining_EM EM-期望最大化算法StatisticalLearning DataMining_SVM SVM-支持向量机算法其他经典DM算法包名 目录名 算法名Others DataMining_ACO ACO-蚁群算法Others DataMining_BayesNetwork BayesNetwork-贝叶斯网络算法Others DataMining_CABDDCC CABDDCC-基于连通图的分裂聚类算法Others DataMining_Chameleon Chameleon-两阶段合并聚类算法Others DataMining_DBSCAN DBSCAN-基于密度的聚类算法Others DataMining_GA GA-遗传算法Others DataMining_GA_Maze GA_Maze-遗传算法在走迷宫游戏中的应用算法Others DataMining_KDTree KDTree-k维空间关键数据检索算法工具类Others DataMining_MSApriori MSApriori-基于多支持度的Apriori算法Others DataMining_RandomForest RandomForest-随机森林算法Others DataMining_TAN TAN-树型朴素贝叶斯算法Others DataMining_Viterbi Viterbi-维特比算法18大经典DM算法18大数据挖掘的经典算法以及代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面,后面都是相应算法的博文链接，希望能够协助大家学。
目前追加了其他的一些经典的DM算法，在others的包中涉及聚类，分类，图算法，搜索算等等，没有具体分类。
C4.5C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。
ID3算法采用信息增益进行决策判断，而C4.5采用的是增益率。
详细介绍链接CARTCART算法的全称是分类回归树算法，他是一个二元分类，采用的是类似于熵的基尼指数作为分类决策，形成决策树后之后还要进行剪枝，我自己在实现整个算法的时候采用的是代价复杂度算法，详细介绍链接KNNK最近邻算法。
给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。
近的点的权重大点，远的点自然就小点。
详细介绍链接NaiveBayes朴素贝叶斯算法。
朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导

run-jetty-runeclipse插件离线安装包Eclipse中InstallNewSoftware然后Add-＞Archive，选择该包安装便可该插件为2016年1月份的release版，支持eclipseNeon(4.6),Mars(4.5),Luna(4.4),Kepler(4.3),Juno(4.2,3.8)支持Jetty7,Jetty8,jetty9,Servlet3

如何有效校正随人群崎岖很大的人眼像差，提高视网膜高分辨率成像技术的人群适用范围是临床应用面临的最大难题。
现有的单一波前校正器无法同时清除高阶和低阶视觉像差。
针对人眼高阶像差校正需求，研制成功了169单元3mm极间距分立式压电变形镜，并与大行程Bimorph变形镜组合，建立了一套双变形镜的人眼视网膜成像系统。
系统可实现对离焦小于±4.5D、散光小于±3.0D的低阶像差及前8阶Zernike像差的有效校正，极大地提高了系统的人群适用范围和成像质量。
以低阶像差大小作为入选标准，进行小样本量人眼视网膜成像实验，获得了近衍射极限的视网膜图像。
该系统适用范围明确，便于后续临床应用。

电话计费管理系统【SQLServer数据库+课程设计文档】一、需求分析 1．1任务概述 1．2功能定义 1．3流程图定义 1．4数据字典（简称DD） 1．5功能模块分析 1．6数据流图 二、概要设计 2．1概述 2．2系统E-R图 三、详细设计 3．1．将E-R模型转换为关系模型 3．2数据库的完整性和安全性 3.2.1数据库的完整性 3.2.2数据库的安全性 四、数据库操作（SQL言语） 4．1创建电话计费管理系统 4．2创建收费信息表 4．3建立存储过程向表中插入、修改、删除数据 4．4单表查询： 4．5多表查询： 4.6嵌套查询 4.7视图 五、小结 六、参考文献

资源含Java实现的C4.5决策树代码，以及测试数据。
实现了C4.5的绝大部分功能，但关于连续变量和确实变量并未详加讨论。
但是相关的函数曾经提供，读者可以很容易借此实现。

该代码一切函数写到了一个脚本文件下构造树还有相应剪枝处理

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。