《现代数学基础丛书：索伯列夫空间导论》主要讲述索伯列夫空间一般理论和在非线性偏微分方程中的应用。
内容涉及Lebesgue空间Lp（Ω）及其基本性质；
整数阶索伯列夫空间Wm，p（Ω）及其性质；
Wm，p（Ω）空间的嵌入定理、紧嵌入定理和插值定理以及连续函数空间的嵌入定理。
论述研究非线性发展方程时，常用到的含有时间的空间和含有时间的索伯列夫空间。
引见类似于索伯列夫空间嵌人定理的离散函数的插值公式，并利用离散函数的插值公式证明广义Schrodinger型方程组初边值问题整体广义解的存在性。
讲述速降函数、缓增广义函数以及它们的Fourier变换和Lebesgue空间的Fourier变换，分数阶索伯列夫空间Hs（RN）和Hs（Ω）及其性质。
引见近年来国内外关注的几个非线性发展方程的初边值问题和Cauchy问题解的存在性以及解的爆破现象和解的渐近性质，使读者较快地利用索伯列夫空间这个有力理论工具，进入研究偏微分方程等学科的前沿。
　　《现代数学基础丛书：索伯列夫空间导论》可作为偏微分方程、计算数学、泛函分析、数学物理、控制论和微分几何等专业的本科生、研究生的教材和参考书，也可供从事相关专业研究的科技工作者参考。

VSG是使用在储能变流器的一项比较前沿的控制策略，可以实现无互连线并机及电压源工作模式等功能

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。

 随着数字图像处理技术的不断发展，以图像处理技术为主的交通视频监测技术的研究已成为智能交通系统的重要前沿研究领域。
简要引见智能交通系统、数字图像处理技术的特点，着重分析研究数字图像处理技术在智能交通系统中信息采集、车牌识别、车辆检测与跟踪等多方面的应用。

豆瓣评分9.2！！《数论概论(原书第3版)》讲述了有关数论大量有趣的知识，以及数论的一般方法和应用，循序渐进地启发读者用数学方法思考问题，此外还引见了目前数论研究的某些前沿课题。
《数论概论(原书第3版)》采用轻松的写作风格，引领读者进入美妙的数论世界，不断激发读者的好奇心，并通过一些精心设计的练习来培养读者的探索精神与创新能力。

MEMS是英文MicroElectroMechanicalSystems的缩写，即微电子机械系统，是利用微米/纳米技术基础，对微米/纳米材料进行设计、加工、制造、测量和控制的21世纪前沿技术。
它将机械构件、光学系统、驱动部件、电控系统集成为一个整体单元，不仅能够采集、处理与发送信息或指令，还能够按照所获取的信息采取行动。
与传统机械系统相比，MEMS系统具备以下优势： ①微型化和集成化：几何尺寸小，易于集成。
采用微加工技术可制造出微米尺的传感和敏感元件，并形成二维或三维的传感器阵列，再加上一体化集成的大规模集成电路，最终器件尺寸一般为毫米级。
②低能耗和低成本：采用一体化技术，能耗大大降低；
并由于采用硅微加工技术和半导体集成电路工艺，易于实现规模化生产，成本低。
③高精度和长寿命：由于采用集成化形式，传感器功能均匀，各元件间配置协调，匹配良好，不需校正调整，提高了可靠性。
④动态性好：微型化、质量小、响应速度快、固有频率高，具有优异动态特性。

较好的并行遗传算法，采用主从节点分布式的计算策略，并使用分解协调的思想，对Pareto前沿进行分段，将计算任务分配到局域网上的多台计算机上完成

作为国内光学行业的开年大戏，中国激光杂志社在慕尼黑上海光博会期间精心组织了光学前沿系列活动：第十届全国激光技术与光电子学学术会议、中国光电产业与技术高峰论坛、2014中国光学重要成果和2014中国激光杂志社英文期刊优秀论文奖颁奖典礼、锁模光纤激光技术及应用讲习班以及第一届“上海瀚宇”杯羽毛球友谊赛等。
新年的第一场饕餮盛宴，不只激起了国内外同仁的学术大讨论，也奏响了2015国际光年的新乐章。

本套教程基于当前企业使用最多、最新的主流版本Hadoop3.1.3录制，站在技术的前沿，研究企业最关怀的技术，不落人后。
从搭建集群开始讲解，细致到每一行配置、每一行代码的讲解，源码讲解均配有详细注释，逐步分析源码运行，将关键点一网打尽，手把手教你阅读百万行源码。
使用企业级真实案例进行知识点讲解，以企业实际生产背景为例讲解调优手段，共包含20+企业中真实案例、30+企业真实调优方法，无缝对接真实生产环境。
从Hadoop集群的安装部署开始，对Hadoop全部功能模块进行讲解，教程包含全部教学资料：视频、课件、随堂笔记、源代码、安装包，全部打包

人机交互原理及应用，清华大学出版社出版。
本书从基本的人机交互应用开发技术到当前人机交互研究的技术前沿由浅入深的引见了人机交互技术。

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。