http://blog.csdn.net/shiziaishuijiao/article/details/46746529从以上位置可以查看详细介绍。
网上能找到的QuartzWeb管理的资料都是使用的一个国外人写的QuartzWebApp的东东，功能也很全面。
但是作为自己的应用其实用不了那么多功能，一般我们只要可以定义一个job，指定一个Cron表达式完成工作即可，附带的可以再对任务进行暂停与重启，基本就可以满足应用了。
而且网上那个东西稍微还是有点复杂的，不方便集成的自己的项目中，无论是风格还是样式。
基于这样的原因，也是为了学习一个Quartz（以前还没有用到过）。
就想着做一个简单Quartz的Web管理工具。
包括可以添加一个任务(添加的任务只能是实现了QuartzJob接口的任务)，暂停、启动、删除任务。
基本这些都能满足日常应用了。

基于MATLAB的DQPSK调制解调的系统仿真，详细介绍了DQPSK调制与解调的原理。

随着人们对基于位置的服务（LocationBasedService，LBS）需求日益增大，以及无线通信技术的快速发展，无线定位技术成为了一个研究热点。
人们在室外广泛使用目前较成熟的GPS，A-GPS等定位系统进行定位，但是在复杂的室内环境中，这些技术的定位精度不高，不能满足室内定位的需求。
WIFI网络具有通信快速、部署方便的特点，它在室内场所广受欢迎.Android系统从几年前发布以来在智能手机操作系统市场占有率不断升高，成为目前使用最为广泛的智能手机操作系统，同时Android移动终端自身具备WIFI无线连接功能。
指纹定位算法以其独特的优势减小了对室内难以精确定义的信号传播模型的依赖性，成为定位技术中的一个研究热点。
基于此，本课题重点研究并改进指纹定位算法，设计实现基于Android的WIFI室内定位系统。
首先，通过阅读大量相关的文献资料，对比分析了当前国内外WIFI室内指纹定位技术的研究现状对其中涉及到的相关技术的原理和特点进行介绍分析，包括WIF1无线通信技术，室内无线定位技术以及位置指纹定位技术，并根据室内WIFI指纹定位技术的特征对定位过程中的影响因素进行分析。
其次，根据前面提到的定位过程中的关键影响因素，介绍了对应的解决方案。
分析与研究了几种典型的指纹定位算法，包括最近邻法（NN）.K近邻法（KNN）、K加权近邻法（WKNN），并提出算法的改进方案，使用MATLAB软件进行算法的仿真分析，寻求其中的最佳参数值以及定位性能差异。
通过分析几种算法的性能仿真结果，拟定了基于最强AP法的改进算法作为定位系统采纳的算法。
然后，通过对基于Android的WIFI室内定位系统的需求分析，提出了一种基于Android的WIF1室内定位系统设计方案。
接着介绍了定位系统软件开发环境，并设计了定位系统总体架构，以及定位系统的各个功能模块。
在各项设计确定以后，采用JAVA语言编程实现定位系统的各项功能。
最后，搭建了WIFI室内定位实验环境，使用完成的室内定位系统结合硬件资源，在实验环境下，进行离线阶段创建数据库以及在线阶段的定位测试，并记录呈现在定位客户端上定位结果，分析对应的定位性能.

包含linux下makefile文件的编写方法和linux的系统函数介绍.介绍很全面，在linux下进行C程序编写的好帮手。

介绍MediaStreamer2的代码结构与总体架构、是需要熟悉MediaStreamer2或进行二次开发的入门读物

介绍saber仿真的很好的书籍建议按步骤学习

文档介绍了Vector的数据库DBC文件编辑软件的详细使用方法。

汇编语言是计算机专业的重要专业基础课程，也是电子、通信及自动控制等相关专业计算机技术课程的内容。
郑晓薇编著的这本《汇编语言（第2版）》以80X86系列微型计算机为基础，以MASM5.0为汇编上机实验环境，重点介绍Intel8086指令系统。
《汇编语言（第2版）》中实验练习贯穿始终，在各章中布置了实验任务模块，并在第10章专门安排了综合性、设计性实验内容，通过多层次的实验训练来加强读者对各章内容的学习理解、融会贯通。
全书结构清晰，内容丰富，例题多样，练习和习题针对性强，可以作为计算机专业汇编语言课程的教材（含实验），或者作为其他专业相关课程的参考书和自学教材。

Boosting方法-从AdaBoost到LightGBM，涵盖了adaboostxgboostlightgbm等经典boosting方法的原理详细介绍

Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

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。