本文件包括数据库设计解决方案入门经典(BeginningDatabaseDesignSolutions)的中文版和英文版.数据库在大多数企业或机构的运营中扮演着至关重要的角色；
它们作为核心存储库，储存着产品、客户、供应商、销售等关键信息和其他大量的必备信息。
毫无疑问的是，大部分商务计算都涉及数据库应用。
本书向读者提供了许多实用的方法和工具，用来设计高效、可靠和安全的数据库。
本书作者RodStephens详细讲解了应该如何组织数据库以便在不降低性能的前提下确保数据完整性，为开发各种数据库应用程序提供了坚实的基础。
书中提到的方法和技术适刚厂各种数据库环境，包括Oracle、MicrosoftAccess、SQLServer和MySQL。
通过学习本书，读者将会了解优秀数据库设计的基本过程并最终掌握实际设计数据库的方法。
本书主要内容·如何确定满足用户需求的数据库要求·使用各种建模技术构建数据模型的方法，包括实体关系模型、用户界面模型和语义对象模型·了解不同类型的数据库的技巧，包括关系数据库、FlatFiles、电子表格、XML和对象数据库·如何优化和调整设计以便改善数据库的性能·理解良好的应用程序设计和数据库设计之间关联的技术·设计灵活、健壮的数据库方法以适应业务变化和发展·便于维护和技术支持的设计方法·避免常见的数据库设计错误的方法本书读者对象：本书适用于需要学习设计、构建、分析和珲解数据库的所有读者，并且不要求读者具备数据库或程序设计的经验。

GaA全局优化算法.zip

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

支持一键导入Excel测试数据，自动设置为变量，打开测试数据文件，后期可以优化

可以在vs2013或vs2015上运行，非线性约束优化数值库Nlopt

遗传算法优化支持向量机算法,从而更好的提高识别率和预测率

C语言程序设计：现代方法(第2版)是C语言的经典之作，被誉为“近10年来的一部C语言著作”。
本书主要的一个目的就是通过一种“现代方法”来介绍C语言，书中强调标准C，强调软件工程，不再强调“手工优化”。
这一版中紧密结合了C99标准，并与C89标准进行对照，补充了C99中的全新特性。
本书分为C语言的基础特性、C语言的高级特性、C语言标准库和参考资料4个部分。
每章末尾都有一个“问与答”小节给出一系列与该章内容相关的问题及答案，此外还包含适量的习题。
C语言程序设计：现代方法(第2版)是为大学本科阶段的C语言课程编写的教材，同时也非常适合作为其他课程的辅助用书。

BCGControlBar22.1最新版，百度网盘下载正式支持Windows8.1和VisualStudio2013。
经过2个月的用户检验，BCG团队发布了修复和优化上一个版本的v22.1。

分析了熔体提拉法生长Ho∶Tm∶YLF晶体过程中熔体表面漂浮物的产生原因，以及晶体中散射颗粒、孪晶和开裂的成因。
通过精心设计对称性温场，并调整温场、优化生长工艺参数，有效消除了晶体中的散射颗粒，克服了晶体开裂。
采取在生长气氛中加入一定量CF4等工艺措施有效减少了熔体表面上的氟氧化物漂浮物，克服了漂浮物对生长晶体的影响，生长出了尺寸为(25~30)mm×(100~120)mm的高品质HoTmYLF晶体。
HoTmYLF晶体激光性能测试表明，在LD双端抽运条件下获得了超过10W的2.05μm激光输出，激光斜率效率达到41.2%，光光转换效率达到36.4%。

C++MFC大作业，全班最高分个人日程管理系统实现开机启动定时提醒定期提醒备忘录固定节日提醒个人日记选择提醒音乐等功能优化UI界面

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。