【模式识别】探秘分类奥秘：最近邻算法解密与实战

​🌈个人主页：Sarapines Programmer
🔥 系列专栏：《模式之谜 | 数据奇迹解码》
⏰诗赋清音：云生高巅梦远游， 星光点缀碧海愁。 山川深邃情难晤， 剑气凌云志自修。

目录

🌌1 初识模式识别

🌌2 最近邻法

🌍2.1 研究目的

🌍2.2 研究环境

🌍2.3 研究内容

🌕2.3.1 算法原理介绍

🌕2.3.2 实验步骤

🌕2.3.3 实验结果

🌍2.4 研究体会

📝总结

🌌1 初识模式识别

模式识别是一种通过对数据进行分析和学习，从中提取模式并做出决策的技术。这一领域涵盖了多种技术和方法，可用于处理各种类型的数据，包括图像、语音、文本等。以下是一些常见的模式识别技术：

  1. 图像识别：

    • 计算机视觉：使用计算机和算法模拟人类视觉，使机器能够理解和解释图像内容。常见的应用包括人脸识别、物体检测、图像分类等。

    • 卷积神经网络（CNN）：一种专门用于图像识别的深度学习模型，通过卷积层、池化层等结构提取图像中的特征。

  2. 语音识别：

    • 自然语言处理（NLP）：涉及对人类语言进行处理和理解的技术。包括文本分析、情感分析、命名实体识别等。

    • 语音识别：将语音信号转换为文本，使机器能够理解和处理语音命令。常见应用包括语音助手和语音搜索。

  3. 模式识别在生物医学领域的应用：

    • 生物特征识别：包括指纹识别、虹膜识别、基因序列分析等，用于生物医学研究和安全身份验证。

    • 医学图像分析：利用模式识别技术分析医学影像，如MRI、CT扫描等，以辅助医生进行诊断。

  4. 时间序列分析：

    • 时间序列模式识别：对时间序列数据进行建模和分析，用于预测趋势、检测异常等。在金融、气象、股票市场等领域有广泛应用。

  5. 数据挖掘和机器学习：

    • 聚类算法：将数据集中的相似对象分组，常用于无监督学习，如K均值聚类。

    • 分类算法：建立模型来对数据进行分类，如决策树、支持向量机等。

    • 回归分析：用于建立输入和输出之间的关系，用于预测数值型结果。

    • 深度学习：通过多层神经网络学习数据的表示，适用于处理大规模和复杂的数据。

  6. 模式识别在安全领域的应用：

    • 行为分析：监测和识别异常行为，如入侵检测系统。

    • 生物特征识别：用于身份验证和访问控制，如指纹、面部识别。

这些技术通常不是孤立存在的，而是相互交叉和融合的，以解决更复杂的问题。在实际应用中，根据具体的问题和数据特点选择合适的模式识别技术是至关重要的。

🌌2 最近邻法

🌍2.1 研究目的

1. 探究最近邻法的基本算法。

2. 了解最近邻法在数据分类问题中的应用。

3. 通过实践提高对最近邻法的理解与掌握。

🌍2.2 研究环境

  1. C++编程语言及其相关库：

    • 语言支持： VSCode具备强大的C++语言支持，提供代码高亮、自动完成等功能，使得编码更加高效。
    • Eigen库： 作为线性代数的重要工具，Eigen库被集成用于进行高效的线性代数运算，为数学计算提供了强大的支持。

  2. OpenCV库：

    • 图像处理： OpenCV库作为计算机视觉领域的重要工具，为图像处理和可视化提供了广泛的功能。包括图像读取、处理、特征提取等一系列操作，为图像相关的应用提供了基础支持。
    • 可视化： OpenCV还支持直观的图像可视化，使开发者能够直观地观察图像处理的效果，有助于调试和优化。

  3. C++编译器配置：

    • GCC配置： 在使用VSCode进行C++开发时，确保已配置好C++编译器，常用的是GNU Compiler Collection（GCC）。正确的配置保证了代码的正确编译和执行。

  4. 硬件环境：

    • 计算资源： 为了处理图像数据，需要充足的计算资源，包括足够的内存和强大的CPU/GPU。这保障了对大规模图像数据进行高效处理和运算。
    • 内存管理： 在处理大规模图像数据时，合理的内存管理变得至关重要，以防止内存溢出和提高程序运行效率。

🌍2.3 研究内容

🌕2.3.1 算法原理介绍

最近邻算法（K-Nearest Neighbors，简称KNN）是一种基于实例的监督学习算法，用于解决分类和回归问题。其算法原理如下：

分类问题的 KNN 算法原理：

  1. 数据集准备： 给定一个已标记的训练数据集，其中每个样本都有一个已知的类别标签。

  2. 距离度量： 定义样本间的距离度量方式，通常使用欧氏距离（Euclidean distance）或其他距离度量方法。欧氏距离是最常见的选择，计算两个样本点之间的直线距离。

  3. 选择K值： 确定一个整数K，表示在进行预测时将考虑的最近邻的数量。

  4. 预测过程：

    • 对于每个新的未标记样本点，计算它与训练集中所有样本点的距离。

    • 选择与新样本距离最近的K个训练样本。

    • 统计这K个训练样本中各类别的数量。

    • 将新样本分配给K个最近邻中占比最多的类别作为预测结果。

回归问题的 KNN 算法原理：

  1. 数据集准备： 同样，给定一个已标记的训练数据集，每个样本有一个已知的数值型输出。

  2. 距离度量： 采用距离度量方式，通常使用欧氏距离或其他距离度量方法。

  3. 选择K值： 同样，确定K值，表示在进行预测时将考虑的最近邻的数量。

  4. 预测过程：

    • 对于每个新的未标记样本点，计算它与训练集中所有样本点的距离。

    • 选择与新样本距离最近的K个训练样本。

    • 将这K个训练样本的输出值进行平均（或加权平均），作为新样本的预测输出值。

算法特点：

  • 非参数性： KNN 是一种非参数学习算法，它不对模型进行假设，而是根据训练数据动态地进行决策。

  • 计算复杂度： KNN 的主要计算复杂度在于找到最近邻的过程，尤其是在高维空间或大型数据集上。为了提高效率，可以使用树结构（如KD树）等数据结构来加速搜索过程。

  • 选择 K 值： K 的选择对 KNN 的性能有重要影响。较小的K值会增加模型的复杂度，可能对噪声敏感；较大的K值会使模型更稳定，但可能忽略了局部特征。

KNN 算法的简单性和直观性使其成为一个常用的基准算法，但在大型数据集或高维空间中可能面临计算效率的问题。

🌕2.3.2 实验步骤

  1. 数据准备：在实验中，我们选用了经典的鸢尾花数据集作为样本数据。该数据集包含三个类别，每个类别有四个特征，是一个适合用最近邻法进行分类的示例。
  2. 最近邻法算法实现：使用scikit-learn库中的KNeighborsClassifier类，基于最近邻法实现一个分类器。设置合适的参数，如近邻数（k值），并进行模型训练。
  3. 数据加载与划分
  4. 最近邻法模型训练
  5. 预测与评估

C语言代码：

// zjlsort.cpp : Defines the entry point for the console application.
//
#include "stdafx.h"
#include "math.h"
#include "pattern.h"
#include "vector.h"

int GetSort(unsigned char dat[4][8][8][60],unsigned char x[8][60])
{
	int i,k,cj,m;
	int bcha,min_bcha;
	int cj_num[32];

	for (cj=0;cj<32;cj++) cj_num[cj]=0;
	for (k=0;k<8;k++) {
		for (cj=0;cj<32;cj++) {
			bcha=0;
			for (m=0;m<60;m++) {
				bcha+=abs(dat[cj/8][cj%8][k][m]-x[k][m]);
			}
			if (cj==0) {
				min_bcha=bcha;
				i=0;
			} else {
				if (bcha<min_bcha) {
					min_bcha=bcha;
					i=cj;
				}
			}
		}
		i=(i/8)*8+i%4;
		cj_num[i]++;
	}/*
	for (m=0;m<60;m++) {
		for (cj=0;cj<32;cj++) {
			bcha=0;
			for (k=0;k<8;k++) {
				bcha+=abs(dat[cj/8][cj%8][k][m]-x[k][m]);
			}
			if (cj==0) {
				min_bcha=bcha;
				i=0;
			} else {
				if (bcha<min_bcha) {
					min_bcha=bcha;
					i=cj;
				}
			}
		}
		i=(i/8)*8+i%4;
		cj_num[i]++;
	}*/
	int av,bav,q2,bq2,xq;
	int xg,max_xg;
	for (k=0;k<8;k++) {
		for (cj=0;cj<32;cj++) {
			av=0;
			bav=0;
			for (m=0;m<60;m++) {
				bav+=dat[cj/8][cj%8][k][m];
				av+=x[k][m];
			}
			av/=60;
			bav/=60;
			q2=0;
			bq2=0;
			xq=0;
			for (m=0;m<60;m++) {
				bq2+=(dat[cj/8][cj%8][k][m]-bav)*(dat[cj/8][cj%8][k][m]-bav);
				q2+=(x[k][m]-av)*(x[k][m]-av);
				xq+=(x[k][m]-av)*(dat[cj/8][cj%8][k][m]-bav);
			}
			bq2/=60;
			q2/=60;
			xq/=60;
			xg=100*xq/sqrt((double)bq2*q2);
			if (cj==0) {
				max_xg=xg;
				i=0;
			} else {
				if (xg>max_xg) {
					max_xg=xg;
					i=cj;
				}
			}
		}
		i=(i/8)*8+i%4;
		cj_num[i]++;
	}
	for (k=0;k<8;k++) {
		for (cj=0;cj<32;cj++) {
			bcha=0;
			for (m=2;m<60;m++) {
				bcha+=abs(dat[cj/8][cj%8][k][m]-dat[cj/8][cj%8][k][m-2]
					-x[k][m]+x[k][m-2]);
			}
			if (cj==0) {
				min_bcha=bcha;
				i=0;
			} else {
				if (bcha<min_bcha) {
					min_bcha=bcha;
					i=cj;
				}
			}
		}
		i=(i/8)*8+i%4;
		cj_num[i]++;
	}
	for (k=0;k<8;k++) {
		for (cj=0;cj<32;cj++) {
			bcha=0;
			for (m=4;m<60;m++) {
				bcha+=abs(dat[cj/8][cj%8][k][m]-dat[cj/8][cj%8][k][m-3]
					-x[k][m]+x[k][m-3]);
			}
			if (cj==0) {
				min_bcha=bcha;
				i=0;
			} else {
				if (bcha<min_bcha) {
					min_bcha=bcha;
					i=cj;
				}
			}
		}
		i=(i/8)*8+i%4;
		cj_num[i]++;
	}
	k=cj_num[0];
	i=0;
	for (cj=1;cj<32;cj++) {
		if (cj_num[cj]>k) {
			k=cj_num[cj];
			i=cj;
		}
	}
	return i;
}

int Get_Cor(unsigned char dat[4][8][8][60],unsigned char x[8][60])
{
	int av,bav,q2,bq2,xq;
	int xg,max_xg,sum_xg;
	int cj,i,k,m,l,c;

	max_xg=0;c=0;
	for (l=-1;l<2;l++) {
		for (cj=0;cj<32;cj++) {
			sum_xg=0;
			for (k=0;k<8;k++) {
				av=0;
				bav=0;
				for (m=1;m<59;m++) {
					bav+=dat[cj/8][cj%8][k][m];
					av+=x[k][m+l];
				}
				av/=58;
				bav/=58;
				q2=0;
				bq2=0;
				xq=0;
				for (m=1;m<59;m++) {
					bq2+=(dat[cj/8][cj%8][k][m]-bav)*(dat[cj/8][cj%8][k][m]-bav);
					q2+=(x[k][m+l]-av)*(x[k][m+l]-av);
					xq+=(x[k][m+l]-av)*(dat[cj/8][cj%8][k][m]-bav);
				}
				bq2/=58;
				q2/=58;
				xq/=58;
				xg=100*xq/sqrt((double)bq2*q2);
				sum_xg+=xg;
			}
			if (sum_xg>max_xg) {
				max_xg=sum_xg;
				i=cj;c=l;
			}
		}
	}
	return i;
}

int GetSort_2(unsigned char dat[4][8][8][60],unsigned char x[8][60])
{
	int i,k,cj,m;
	int bcha,min_bcha,sum_bcha;
	int min_i,max_i;

	for (cj=0;cj<32;cj++) {
		sum_bcha=0;
		for (k=0;k<8;k++) {
			bcha=0;
			for (m=0;m<60;m++) {
				bcha+=abs(dat[cj/8][cj%8][k][m]-x[k][m]);
			}
			bcha/=60;
			sum_bcha+=bcha;
		}
		if (cj==0) {
			min_bcha=sum_bcha;
			i=0;
		} else {
			if (sum_bcha<min_bcha) {
				min_bcha=sum_bcha;
				i=cj;
			}
		}
	}
	min_i=(i/8)*8+i%4;

	int av,bav,q2,bq2,xq;
	int xg,max_xg,sum_xg;

	for (cj=0;cj<32;cj++) {
		sum_xg=0;
		for (k=0;k<8;k++) {
			av=0;
			bav=0;
			for (m=0;m<60;m++) {
				bav+=dat[cj/8][cj%8][k][m];
				av+=x[k][m];
			}
			av/=60;
			bav/=60;
			q2=0;
			bq2=0;
			xq=0;
			for (m=0;m<60;m++) {
				bq2+=(dat[cj/8][cj%8][k][m]-bav)*(dat[cj/8][cj%8][k][m]-bav);
				q2+=(x[k][m]-av)*(x[k][m]-av);
				xq+=(x[k][m]-av)*(dat[cj/8][cj%8][k][m]-bav);
			}
			bq2/=60;
			q2/=60;
			xq/=60;
			xg=100*xq/sqrt((double)bq2*q2);
			sum_xg+=xg;
		}
		if (cj==0) {
			max_xg=sum_xg;
			i=0;
		} else {
			if (sum_xg>max_xg) {
				max_xg=sum_xg;
				i=cj;
			}
		}
	}
	max_i=(i/8)*8+i%4;
	if (min_i==max_i) return min_i;
	else {
		return Get_Cor(dat,x);
	}
}

int main(int argc, char* argv[])
{
	int sort,i,j,k;
/*
	for (k=0;k<10;k++) {
		for (sort=0;sort<10;sort++) {
			for (i=0;i<CNUM;i++) {
				j=GetSort(dat[k],dat[sort][i/8][i%8]);
				j=(j/8)*8+j%4;
				if (j!=((i/8)*8+i%4)) {
					printf("k=%d\n",k);
					printf("sort=%d\n",sort);
					printf("err:i=%d\n",i);
				}
			} //end of i
		} // end of sort
	}*/
	for (k=0;k<10;k++) {
		for (sort=0;sort<10;sort++) {
			for (i=0;i<CNUM;i++) {
				j=GetSort_2(dat[k],dat[sort][i/8][i%8]);
				j=(j/8)*8+j%4;
				if (j!=((i/8)*8+i%4)) {
					printf("k=%d\n",k);
					printf("sort=%d\n",sort);
					printf("err:i=%d\n",i);
				}
			} //end of i
		} // end of sort
	}
	return 0;
}

程序分析：

这段程序是一个基于图像模式识别的排序算法。它的主要思路是通过计算两个图像之间的差异，然后根据差异的大小进行排序。程序中使用了一些复杂的计算，包括绝对值之和、均值、方差等，同时还涉及到一些图像处理的操作。以下是对程序的详细分析：

  1. 数据结构：

    • unsigned char dat[4][8][8][60]: 这是一个四维数组，表示图像数据。第一维度表示数据集数量（4个），第二维和第三维表示图像的行和列（8x8的图像），第四维表示图像的通道（60个通道）。
    • unsigned char x[8][60]: 这是一个二维数组，表示待排序的图像数据。

  2. GetSort函数：

    • 该函数接收一个数据集 dat 和一个待排序的图像 x，然后通过计算图像之间的差异，确定一个最相似的数据集。具体过程包括：
      • 计算每个通道上的绝对值之和，寻找最小的差异。
      • 计算每个通道上的均值和方差，通过一定方式计算相似性，得到最大相似性。
      • 计算两个相邻像素的差异，找到最小差异。
      • 以上三种差异的综合来决定最相似的数据集。

  3. Get_Cor函数：

    • 该函数计算图像之间的相似性，与 GetSort 函数的一部分功能重复。它通过计算通道内像素的均值、方差等，找到相似性最高的数据集。

  4. GetSort_2函数：

    • 该函数也是用于获取最相似的数据集，与 GetSort 函数相似，但采用了一些不同的差异度量方法。最终决策是综合了几种方法，如果某一种方法找到的结果与其他不同，则调用 Get_Cor 函数进一步判断。

  5. 主函数main：

    • 主函数对数据集进行测试，通过调用 GetSort_2 函数，检查算法在不同数据集和图像之间的排序效果。在两个嵌套循环中，程序输出任何排序错误的情况。

总体而言，这个程序主要用于比较不同图像数据集之间的相似性，通过计算差异度量，找到最相似的数据集。在实际应用中，可能需要根据具体问题调整和优化算法，确保其在特定情境下的效果。

🌕2.3.3 实验结果

🌍2.4 研究体会

  1. 近邻数选择关键性影响： 通过实际操作，我深切认识到在最近邻法中，近邻数的选择对模型性能至关重要。过大或过小的近邻数均可能导致模型在实际应用中表现不佳，突显了参数调整在算法性能优化中的关键性作用。

  2. 算法选择与数据特性关系深刻领悟： 在不同数据集上的实验让我更加深刻地理解了算法选择与数据特性之间的密切关系。不同数据集对最近邻法的适应性有不同要求，因此我认识到在实际问题中灵活调整算法参数的重要性，为未来决策提供了更多思考空间，使我在算法选择上更为慎重和明智。

  3. 分类边界可视化提升模型理解： 通过可视化实验结果，我深入了解了最近邻法在不同类别之间划定分类边界的方式。这不仅增进了我对模型行为的理解，还为模型的可解释性提供了更深刻的认识。对分类边界的直观把握使我能够更自信地应用最近邻法解决实际问题，并更好地沟通模型的结果与决策。

📝总结

模式匹配领域就像一片未被勘探的信息大海，引领你勇敢踏入数据科学的神秘领域。这是一场独特的学习冒险，从基本概念到算法实现，逐步揭示更深层次的模式分析、匹配算法和智能模式识别的奥秘。渴望挑战模式匹配的学习路径和掌握信息领域的技术？不妨点击下方链接，一同探讨更多数据科学的奇迹吧。我们推出了引领趋势的💻 数据科学专栏：《模式之谜 | 数据奇迹解码》，旨在深度探索模式匹配技术的实际应用和创新。🌐🔍

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/266824.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

行为型设计模式（五）：访问者模式 观察者模式

行为型设计模式（五）：访问者模式 观察者模式

访问者模式 Visitor 1、什么是访问者模式 访问者模式允许定义一些不改变数据结构的前提下的操作。通过这种方式&#xff0c;可以在不修改元素类的情况下定义新的操作。访问者模式常用于对复杂对象结构进行操作&#xff0c;而又不希望在这些对象上破坏封装性。 2、为什么使用…
阅读更多...
YOLOv8改进 | 主干篇 | 利用SENetV1改进网络结构 (ILSVRC冠军得主)

YOLOv8改进 | 主干篇 | 利用SENetV1改进网络结构 (ILSVRC冠军得主)

一、本文介绍 本文给大家带来的改进机制是SENet&#xff08;Squeeze-and-Excitation Networks&#xff09;其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型&#xff0c;而是一个可以和现有的任何一个模型相结合的模块(可以看作是一…
阅读更多...
文章解读与仿真程序复现思路——电力自动化设备EI\CSCD\北大核心《计及风电不确定性的多场景多时段安全约束机组组合解耦求解方法》

文章解读与仿真程序复现思路——电力自动化设备EI\CSCD\北大核心《计及风电不确定性的多场景多时段安全约束机组组合解耦求解方法》

这个标题涉及到一种解决在能源系统中考虑风电不确定性的方法。让我们逐步分解这个标题&#xff0c;以便更好地理解其含义&#xff1a; 计及风电不确定性&#xff1a; 这指的是在能源系统中&#xff0c;风力发电的产出具有不确定性。因为风速是难以预测的&#xff0c;风力发电的…
阅读更多...
nodejs+vue+ElementUi大学新生入学系统的设计与实现1hme0

nodejs+vue+ElementUi大学新生入学系统的设计与实现1hme0

采用B/S模式架构系统&#xff0c;开发简单&#xff0c;只需要连接网络即可登录本系统&#xff0c;不需要安装任何客户端。开发工具采用VSCode&#xff0c;前端采用VueElementUI&#xff0c;后端采用Node.js&#xff0c;数据库采用MySQL。 涉及的技术栈 1&#xff09; 前台页面…
阅读更多...
TokenFlow详解

TokenFlow详解

https://github.com/omerbt/TokenFlow/issues/25 https://github.com/omerbt/TokenFlow/issues/31 https://github.com/omerbt/TokenFlow/issues/32 https://github.com/eps696/SDfu register_extended_attention_pnp1. 为所有BasicTransformerBlock layer的attn1重构forward2.…
阅读更多...
LeetCode 剑指 Offer II 054. 所有大于等于节点的值之和

LeetCode 剑指 Offer II 054. 所有大于等于节点的值之和

给定一个二叉搜索树&#xff0c;请将它的每个节点的值替换成树中大于或者等于该节点值的所有节点值之和。 提醒一下&#xff0c;二叉搜索树满足下列约束条件&#xff1a; 节点的左子树仅包含键 小于 节点键的节点。 节点的右子树仅包含键 大于 节点键的节点。 左右子树也必须…
阅读更多...
【计数DP】牛客小白月赛19

【计数DP】牛客小白月赛19

登录—专业IT笔试面试备考平台_牛客网 题意 思路 首先做法一定是计数 dp 然后状态设计&#xff0c;先设 dp[i] 然后看影响决策的因素&#xff1a;两边的火焰情况&#xff0c;那就 dp[i][0/1][0/1]表示 前 i 个&#xff0c;该位有无火焰&#xff0c;该位右边有无火焰的方案数…
阅读更多...
Kioptrix-3

Kioptrix-3

靶场下载地址 https://download.vulnhub.com/kioptrix/KVM3.rar 信息收集 # Nmap 7.94 scan initiated Thu Dec 21 21:52:25 2023 as: nmap -sn -oN live.nmap 192.168.1.0/24 Nmap scan report for 192.168.1.1 (192.168.1.1) Host is up (0.00048s latency). MAC Address:…
阅读更多...
2024年PMP考试新考纲-PMBOK第七版-项目管理原则真题解析（续2）

2024年PMP考试新考纲-PMBOK第七版-项目管理原则真题解析（续2）

很多在备考2024年PMP考试的小伙伴问华研荟&#xff0c;从8月份以后把PMBOK第七版纳入PMP考试范围后&#xff0c;难不难&#xff1f;PMBOK第七版怎么考&#xff1f;尤其是第七版中的十二大项目管理原则读起来很晦涩难懂&#xff0c;这部分怎么考&#xff1f;该如何备考呢&#x…
阅读更多...
Linux---基础操作命令

Linux---基础操作命令

内容导航 类别内容导航机器学习机器学习算法应用场景与评价指标机器学习算法—分类机器学习算法—回归机器学习算法—聚类机器学习算法—异常检测机器学习算法—时间序列数据可视化数据可视化—折线图数据可视化—箱线图数据可视化—柱状图数据可视化—饼图、环形图、雷达图统…
阅读更多...
JavaWeb—html, css, javascript, dom,xml, tomcatservlet

JavaWeb—html, css, javascript, dom,xml, tomcatservlet

文章目录 快捷键HTML**常用特殊字符替代：****标题****超链接标签****无序列表、有序列表****无序列表**：ul/li 基本语法**有序列表ol/li：****图像标签(img)**** 表格(table)标签****表格标签-跨行跨列表格****form(表单)标签介绍****表单form提交注意事项**div 标签p 标签sp…
阅读更多...
Android可折叠设备完全指南：展开未来

Android可折叠设备完全指南：展开未来

Android可折叠设备完全指南&#xff1a;展开未来 探索如何使用Android Jetpack组件折叠和展开设备。 近年来&#xff0c;科技界见证了可折叠设备的革命性趋势。这些设备融合了便携性和功能性的创新特点&#xff0c;使用户能够在不同的形态之间无缝切换。在本博客中&#xff0c…
阅读更多...
照片墙案例

照片墙案例

整体效果&#xff1a; HTML部分&#xff1a; <body><div class"content"><header><h1>A silent world</h1><span>Image Wall with jQuery and CSS3</span></header><div class"iw_wrapper"><ul…
阅读更多...
3D数字化系统建设

3D数字化系统建设

以3D可视化、数字化技术为基础&#xff0c;其实&#xff0c;很多传统的系统软件都可以重新做一下。 比如&#xff1a;以下这个使用场景&#xff1a;零售门店陈列&#xff1b; 还有&#xff0c;数字化仓储系统&#xff0c;3D数字化供应链系统&#xff0c;3D数字化的生产系统&a…
阅读更多...
.NET中的Swagger使用

.NET中的Swagger使用

目录 前言 一、Swagger是什么&#xff1f; 二、如何Swagger文档说明的信息 1.在AddSwaggerGen方法中写入文档信息 2.运行效果 二、文档UI界面标题、路由设置 1.在中间件UseSwaggerUI方法中配置 三、文档UI界面添加接口注释 1.在 .csproj中配置 2.在AddSwaggerGen方法中配置Incl…
阅读更多...
MFC 菜单

MFC 菜单

目录 MFC菜单 菜单使用 添加菜单资源 将菜单设置到窗口 ON_COMMAND消息处理 命令消息 WM_COMMAND 的处理顺序 设置菜单项状态 右键菜单 MFC菜单 在Win32编程中&#xff0c;使用菜单句柄 HMENU 来标识菜单&#xff0c;在MFC中使用CMenu类对象表示菜单。封装了关于菜单的…
阅读更多...
MATLAB - 四元数（quaternion）

MATLAB - 四元数（quaternion）

系列文章目录 前言 一、简介 四元数是一种四元超复数&#xff0c;用于三维旋转和定向。 四元数的表示形式为 abicjdk&#xff0c;其中 a、b、c 和 d 为实数&#xff0c;i、j 和 k 为基元&#xff0c;满足等式&#xff1a;i2 j2 k2 ijk -1。 四元数集用 H 表示&#xff0c…
阅读更多...
vmware安装中标麒麟高级服务器操作系统软件 V7.0操作系统

vmware安装中标麒麟高级服务器操作系统软件 V7.0操作系统

vmware安装中标麒麟高级服务器操作系统软件 V7.0操作系统 1、下载中标麒麟高级服务器操作系统软件 V7.0镜像2、安装中标麒麟高级服务器操作系统软件 V7.0操作系统 1、下载中标麒麟高级服务器操作系统软件 V7.0镜像 官方提供使用通道 访问官网 链接: https://www.kylinos.cn/ 下…
阅读更多...
【Python】基于flaskMVT架构与session实现博客前台登录登出功能

【Python】基于flaskMVT架构与session实现博客前台登录登出功能

目录 一、MVT说明 1.Model层 2.View层 3.Template层 二、功能说明 三、代码框架展示 四、具体代码实现 models.py 登录界面前端代码 博客界面前端代码&#xff08;profile.html&#xff09; main.py 一、MVT说明 MVT架构是Model-View-Template的缩写&#xff0c;是…
阅读更多...
VS(Visual Studio)更改文件编码

VS(Visual Studio)更改文件编码

vs默认编码是GB2312,更改为UTF-8 工具->自定义
阅读更多...
最新文章

Copyright @ 2022~2023