Cora数据集包含2708篇科学出版物，edges:5429，classes:7，features:1433每个科学出版物都由一个01词向量描绘训练集（140，1433），测试集（1000，1433），总训练集（1708，1433），训练集从总训练集中抽取，存在labeled和unlabeld节点用于深度学习，图神经网络的训练
2019/4/21 3:36:07
367KB
1
针对无线传感器网络分簇路由协议所筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题，提出一种基于改进粒子群优化算法的分簇路由协议。
在簇头选举过程中，通过定义节点的能量因子和位置均衡因子建立新的顺应度函数，评估和选择更优的候选簇头节点；
通过优化的自顺应学习因子调整候选簇头节点的位置更新速度，扩大局部搜索并加快全局搜索的收敛速度。
根据转发节点与基站的距离确定采用单跳还是多跳传输方式，设计一种基于最小生成树的多跳方法，为转发节点数据传输选择最优的多跳路径。
仿真测试结果表明，基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点，缩短了网络的通信距离，节点的能耗更低且更均衡，有效延长了网络生存周期。
在簇头选举过程中，通过定义节点的能量因子和位置均衡因子建立新的顺应度函数，评估和选择更优的候选簇头节点；
通过优化的自顺应学习因子调整候选簇头节点的位置更新速度，扩大局部搜索并加快全局搜索的收敛速度。
根据转发节点与基站的距离确定采用单跳还是多跳传输方式，设计一种基于最小生成树的多跳方法，为转发节点数据传输选择最优的多跳路径。
仿真测试结果表明，基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点，缩短了网络的通信距离，节点的能耗更低且更均衡，有效延长了网络生存周期。
2021/8/18 13:53:49
919KB
1
决策树算法与决策树相关的重要算法1、Hunt,Marin和Stone于1966年研制的CLS学习系统，用于学习单个概念。
2、1979年,J.R.Quinlan给出ID3算法，并在1983年和1986年对ID3进行了总结和简化，使其成为决策树学习算法的典型。
3、Schlimmer和Fisher于1986年对ID3进行改造，在每个可能的决策树节点创建缓冲区，使决策树可以递增式生成，得到ID4算法。
4、1988年，Utgoff在ID4基础上提出了ID5学习算法，进一步提高了效率。
1993年，Quinlan进一步发展了ID3算法，改进成C4.5算法。
5、另一类决策树算法为CART，与C4.5不同的是，CART的决策树由二元逻辑问题生成，每个树节点只要两个分枝，分别包括学习实例的正例与反例。
CLS,ID3，C4.5，CART第6章决策树
2、1979年,J.R.Quinlan给出ID3算法，并在1983年和1986年对ID3进行了总结和简化，使其成为决策树学习算法的典型。
3、Schlimmer和Fisher于1986年对ID3进行改造，在每个可能的决策树节点创建缓冲区，使决策树可以递增式生成，得到ID4算法。
4、1988年，Utgoff在ID4基础上提出了ID5学习算法，进一步提高了效率。
1993年，Quinlan进一步发展了ID3算法，改进成C4.5算法。
5、另一类决策树算法为CART，与C4.5不同的是，CART的决策树由二元逻辑问题生成，每个树节点只要两个分枝，分别包括学习实例的正例与反例。
CLS,ID3，C4.5，CART第6章决策树
2015/7/6 13:16:21
1.15MB
1
javalang包分两段理解：一段是代码片段解析成语法树的过程一段是语法树节点操作组件使用在内部，javalang.parse.parse方法创建token流，并用token流创建javalang.parser.Parser实例，然后调用parser的parse()方法，前往结果CompilationUnit实例，tokenizer、Parser这些组件可以单独调用
2017/5/22 19:58:26
24KB
1
验房丨监理丨新房收楼验收丨验楼师、验房师、验房员丨房屋质检查验丨房屋查验师丨验房攻略、验房报告、全程验收、节点验收、装修监理监工，房屋质量成绩，验房项目，验房流程，验收项目流程，第三方验房师
2015/9/27 2:01:14
1.57MB
1
容器化部署Redis，容器化部署MariaDB，容器化部署Zookeeper，容器化部署Kafka，容器化部署Nginx，编排部署商城内部包含gpmall容器商城部署（单节点）文档，镜像资源，镜像制造文件，制造幸苦，谢绝外传
2017/1/7 9:17:30
259.91MB
1
ApacheStorm（apache-storm-2.3.0-src.zip源码）是一个免费的开源分布式实时计算系统。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
2016/11/13 21:51:24
55.72MB
1
ApacheStorm（apache-storm-2.3.0-src.tar.gz源码）是一个免费的开源分布式实时计算系统。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
2016/7/9 10:52:24
41.11MB
1
ApacheStorm（apache-storm-2.3.0.zip）是一个免费的开源分布式实时计算系统。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
ApacheStorm可以轻松可靠地处理无限制的数据流，实时处理就像Hadoop进行批处理一样。
ApacheStorm很简单，可以与任何编程语言一起使用，而且使用起来非常有趣！ApacheStorm有很多用例：实时分析、在线机器学习、连续计算、分布式RPC、ETL等等。
ApacheStorm速度很快：基准测试显示每个节点每秒处理超过一百万个元组。
它具有可扩展性、容错性，保证您的数据将得四处理，并且易于设置和操作。
ApacheStorm与您已经使用的队列和数据库技术集成。
ApacheStorm拓扑使用数据流并以任意复杂的方式处理这些流，根据需要在计算的每个阶段之间对流进行重新分区。
在教程中阅读更多内容。
2020/8/2 23:26:50
305.04MB
1
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