该版本为20150108最新版，修复了发现的多个BUG，并且添加了部分新特性（详见工程内的ReadMe）。
资源分是为了大家能在下载后，给点评论，不管是好的还是坏的；
建议或者是提交BUG都可以。
IOCP_API网络开发库的最新升级版测试程序(非源码)；
提供测试Demo和详尽的编码使用代码；
可用于测试网络功能和评估IOCP_API开发库的功能；
其中传统TCP和UDP服务器和客户端经过较为严格的测试，Channel相关的功能仅简单测试，没有严格测试；
突出特点是包含了一个ADO连接池，通常服务程序都与数据库关联，包含此连接池的目的就是为了方便在编写服务程序的同时，不用过多的关心数据库连接相关的部分。

全部源码，无Bug运转题目要求设计与实现包括人事管理、财务管理、原材料采购与库存管理、产品销售管理等功能的中小微企业信息管理系统，支持各类人员相关信息的增、删、改、查。
管理员具有用户建立、权限分配、基础信息维护等功能权限。
人事部门用户具有人事信息维护功能权限。
财务部门人员具有工资核算、成本核算、利润分析等功能权限。
仓库管理人员具有入库登记、出库登记、库存清算等功能权限。
销售人员具有销售登记、销售统计等功能权限。
各级领导具有查看相关各类信息及统计分析功能权限。

这是我修改优化后的FT2232D芯片的i2c通讯library，处理了些bug。

1、源程序：DBMS；
2、数据文件：data；
3、测试所使用的SQL语句：sql.log；
4、DBMS程序皮肤文件：audk.exe，先安装后采用MicrosoftVisualStudioC++6.0运转程序；
5、数据信息文件存储在E:\\data目录下，具体设置见源程序(DBMS)下init.ini文件；
5、数据库系统原理文档记录：设计报告；
6、用户名、密码均在源程序(DBMS)下的user.ini文件中，超级管理员用户名：root，密码：root。
注：1、“查询优化”按钮只在使用优化技术时才使用。
由于时间关系，没有处理故会出现错误!其他所有情况均使用“执行SQL”按钮。
具体使用“查询优化”按钮时可见sql.log文件中优化部分。
2、程序中存在很多Bug,望读者自行调试相关Bug并运转程序。

包含多种多普勒中心估计的方法，Madsen相位增量法，适用于快速及时处理的算法以及其它算法的多普勒中心估计。
matlab编写程序，无bug。

本人也算刚刚入门，因为实验室做小车比赛，需要一个蓝牙小车app,就参考网上编了一个，基本功能都能实现，令外加了百度语音的语音识别功能（需要联网）和重力控制功能（语音功能延迟较大，纯属娱乐），现在把代码放上，Androidstudio开发，如果想开发本人的app，完全可以参照代码实现本人想要的功能。
因为水平受限，肯定有BUG,多多见谅哈。

历时一天完成的模拟windows下的资源管理器。
本程序在vs2010下完成。
请使用08的用户升级版本再使用。
树控件展示整个电脑文件层级。
右侧展示所有当前文件夹下的所有文件，双击可打开文件，右键菜单可“打开”“删除”“重命名”文件，计算了文件大小等信息。
还有VScrollBar的使用。
本人最后尽量多写了几句注释。
希望对大家有所协助。
大神勿喷。
已知BUG。
点击树时。
那个小图标会变成“我的电脑”图标。
网上多方寻找也没有找到答案。
怀疑是微软BUG。
如有知道答案的大神，如愿告知请发邮件到236638194@qq.com谢谢

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

使用visualstudio开发的lucene.net和盘古分词实现全文检索。
并按照lucene的得分算法进行多条件检索并按照得分算法计算婚配度排序。
可以输入一句话进行检索。
lucene.net的版本为2.9.2盘古分词的版本为2.3.1并实现了高亮功能。
高亮上使用的是盘古分词的高亮算法。
有点小bug，在这个字段没有关键字的时候可能会不显示数据，如果要是只看全文检索，可以自己去掉高亮，看一下检索结果。

h5视频播放器,修复了之前全屏的BUG，拥有正常播放器的功能。
单击播放暂停，双击全屏，调理播放进度/声音进度，目前支持moz、webkit这些浏览器。

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。