基于贝叶斯分类的中文垃圾信息分类识别核心核心代码，可直接运行的源程序。
publicvoidloadTrainingDataChinies(FiletrainingDataFile,StringinfoType){//加载中文分词其NLPIR.init("lib");//System.out.println(trainingDataFile.isFile()+"==============");//尝试加载学习数据文件try{//针对学习数据文件构建缓存的字符流，利用其可以采用行的方式读取学习数据BufferedReaderfileReader=newBufferedReader(newFileReader(trainingDataFile));//定义按照行的方式读取学习数据的临时变量Stringdata="";//循环读取学习文件中的数据while((data=fileReader.readLine())!=null){//System.out.println("*****************************");//System.out.println(data+"000000000000000000000");//按照格式分割字符串，将会分割成两部分，第一部分为ham或spam,用于说明本行数据是有效消息还是垃圾消息，第二部分为消息体本身//String[]datas=data.split(":");//对消息体本身进行简单分词（本学习数据均为英文数据，因此可以利用空格进行自然分词，但是直接用空格分割还是有些简单粗暴，因为没有处理标点符号，大家可以对其进行扩展，先用正则表达式处理标点符号后再进行分词，也可以扩展加入中文的分词功能）//首先进行中文分词//System.out.println(datas[1]+"------------------------");//if(datas.length＞1){//System.out.println(datas.length);Stringtemp=NLPIR.paragraphProcess(data,0);//System.out.println(temp);String[]words=temp.split("");

我是2014级复旦的研究生。
这是一个8位的CPU设计VHDL实现。
本CPU基于RISC架构，实现了cpu的基本功能如：加减乘除运算，跳转等。
此外，里面有一个17位的ROM区，是存储指令的。
你可以写出一段17位的指令代码，并放入ROM区，该CPU即可自动运行出结果。
压缩包里是源代码和我们当时的设计要求。
本源代码的最后调试时在地址0--17是放入的斐波纳契数字(FibonacciNumbers)指令。
通过modelsim仿真即可看到结果。

这是基于html5和css3的一款聊天界面设计，5个静态界面的设计和跳转已经基本实现，运行于Googlechrome浏览器，代码全部都有，可直接运行。

SPA程序，可以运行，有数据，很直观，可与GUI的说明配合使用！！！

此系统是可以直接运行的系统，只需要把SQL脚本运行一次，然后加一个t_student表，表格式在实体类中查看。

C#版本的视频解码源码,使用FFMPEG解码H264视频文件,解码后的数据保存为YUV格式,可以使用yuvplayer播放.Dll目录是运行时使用的动态库.Video目录是测试用的H264视频文件.源码展示了如何用CLR封装C代码,然后在C#项目中使用.涉及CLR的数据格式转换,事件和线程。
项目工程使用VS2012创建。

c++test插件原版+破解：把plugins-c++TestForVisualStudio.7z中的文件覆盖到c:\ProgramFiles(x86)\Parasoft\C++testforVisualStudio\9.0\plugins\这个目录中把plugins-TestforVirsualStudio.7z中的文件覆盖到c:\ProgramFiles(x86)\Parasoft\TestforVisualStudio\9.0\plugins这个目录中运行ide随便输如几个注册码可以成功

基于SIFT特征的全景图像拼接(Qt)主要分为以下几个步骤：(1)读入两张图片并分别提取SIFT特征(2)利用k-dtree和BBF算法进行特征匹配查找(3)利用RANSAC算法筛选匹配点并计算变换矩阵(3)图像融合运行前请自己在pro文件中配置OpenCV的头文件和lib文件目录详情查看博客：http://blog.csdn.net/masikkk/article/details/9246493

这个利用行人HOG特征通过SVM分类器进行分类的代码。
程序运行环境为VS2013+OpenCV2.20。
程序内可以选择Opencv自带的行人检测算法，也可以自己训练HOG特征进行检测。
如果自己训练的话，需要在D盘建立一个文件（具体文件名程序中有）里面存在训练的正负样本，和测试样本。
具体D盘的这个文件夹在本人自愿中已上传，需要请自行下载。

为了帮助对视觉障碍患者有效识别道路周围的场景，提出一种基于迁移学习和深度神经网络方法，实现实时盲道场景识别。
首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子，并进行特征融合，然后训练新的盲道特征表示，用Softmax函数实现盲道场景识别。
实验中，对成都不同区域盲道周围障碍物采样，分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型，最后在实际应用场景，实现了盲道周边障碍物的实时分类和报警，实验证明提出的方法具有很高准确率和良好的运行性能。

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。