计算机网络内容动画演示教程:BS网络结构CSMACD的工作原理CS网络结构HDLC的帧结构LLCPDU与MAC帧的关系TCP连接建立健全和释放过程从不同层次上看IP地址和硬件地址电子邮件系统的最主要组成部件多播可明显地减少网络中资源的消耗广域网中的路由选择滑动窗口协议两个网桥之间有点到点的链路零比特填充法令牌环的工作原理令牌总线局域网路由器中路由表的举例轮叫轮询多点线路使用RIP协议的路由表的建立过程数据报服务和虚电路服务数据传输链路层数据在各层之间的传递过程数据帧在链路上传输的几种情况万维网的工作过程网络层间传递网络传输OSI协议一般分组交换网的存储转发方式与帧中继方式的对比用可靠的洪泛法发送更新报文重装死锁举例主机名字、主机物理地址和IP地址的转换
2024/3/4 2:08:23 820KB 计算机网络 动画 演示教程
1
使用ENVIIDL语言实现9*9窗口的某一类值像元所占比例
2024/3/3 17:26:36 2KB 滑动窗口
1
第一章整体介绍 21.1什么是TableAPI和FlinkSQL 21.2需要引入的依赖 21.3两种planner(old&blink)的区别 4第二章API调用 52.1基本程序结构 52.2创建表环境 52.3在Catalog中注册表 72.3.1表(Table)的概念 72.3.2连接到文件系统(Csv格式) 72.3.3连接到Kafka 82.4表的查询 92.4.1TableAPI的调用 92.4.2SQL查询 102.5将DataStream转换成表 112.5.1代码表达 112.5.2数据类型与Tableschema的对应 122.6.创建临时视图(TemporaryView) 122.7.输出表 142.7.1输出到文件 142.7.2更新模式(UpdateMode) 152.7.3输出到Kafka 162.7.4输出到ElasticSearch 162.7.5输出到MySql 172.8将表转换成DataStream 182.9Query的解释和执行 201.优化查询计划 202.解释成DataStream或者DataSet程序 20第三章流处理中的特殊概念 203.1流处理和关系代数(表,及SQL)的区别 213.2动态表(DynamicTables) 213.3流式持续查询的过程 213.3.1将流转换成表(Table) 223.3.2持续查询(ContinuousQuery) 233.3.3将动态表转换成流 233.4时间特性 253.4.1处理时间(ProcessingTime) 253.4.2事件时间(EventTime) 27第四章窗口(Windows) 304.1分组窗口(GroupWindows) 304.1.1滚动窗口 314.1.2滑动窗口 324.1.3会话窗口 324.2OverWindows 331)无界的overwindow 332)有界的overwindow 344.3SQL中窗口的定义 344.3.1GroupWindows 344.3.2OverWindows 354.4代码练习(以分组滚动窗口为例) 36第五章函数(Functions) 385.1系统内置函数 385.2UDF 405.2.1注册用户自定义函数UDF 405.2.2标量函数(ScalarFunctions) 405.2.3表函数(TableFunctions) 425.2.4聚合函数(AggregateFunctions) 455.2.5表聚合函数(TableAggregateFunctions) 47
2024/2/21 21:43:55 1.29MB flinksql
1
视频中行为识别发展历程
2023/12/18 7:08:39 1.29MB 机器学习
1
通过滑动窗口式AD采样获得数组,取数组内数据的最大最小值做差,差值越大,信号越强
1
TCPSlidingWindow滑动窗口协议演示动画,Flash播放,可以调整参数
2023/7/15 23:14:57 59KB TCP Sliding Window 滑动窗口
1
基于视觉的曲线车道线检测完整代码,采用滑动窗口,详情见博客:http://blog.csdn.net/adamshan/article/details/78733302
2023/7/12 13:22:56 8.15MB 计算机视觉 车道线检测 曲线车道线
1
Python实现的改进滑动窗口轨迹压缩
2023/5/29 9:17:40 51KB 轨迹压缩
1
输入数据描摹:轴承缺陷数据,缺陷有十类,行使滑动窗口举行数据采样,一个样本大小为1024,每一类缺陷有1000个样本,总共10000个样本,输入数据方式为10000x1024,至关于1024个变量,标签付与one-hot编码,参数调解:ga妹妹a:责罚参数(自己调参),kernel:核函数(自己遴选)sigma:核函数宽度(自己调参)
1
基于提高红外图像行人检测准确率的目的,提出了一种基于多特征的红外行人检测算法。
首先提取训练样本的梯度方向直方图特征和强度自类似性特征,利用二者相结合得到联合特征训练支持向量机(SVM),之后利用滑动窗口法対整幅红外图像进行遍历,用训练好的SVM进行分类检测。
在LSIFarInfraredPedestrianDataset数据库上实验证明,基于多特征的检测方法相较于单一特征的方法提高了红外行人检测的精度,降低了误检率和漏检率。
1
共 30 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡