TWaver是美国Serva Software公司的产品，是应用最为广泛的电信专业图形界面开发工具包，在电信行业应用非常广泛。TWaver关注于数据的图形展示，它是面向开发人员的，需要进行二次开发。 TWaver的图形组件库中提供了拓扑组件、地图组件、设备图组件，以及表格、树图、属性表、图表等丰富的通用图形界面组件，为电信运营支撑系统（OSS）的开发提供“一站式”的组件产品和解决方案，是快速设计、开发和部署OSS的利器。

刚学习使用XtraReport报表，自己做的例子，包括数据绑定。

pcb制板说明Excel样例，界面简洁，但内容一点不少，方便与制板厂沟通

answer_sheet_scan 使用python3+opencv3实现的一些识别答题卡的例子 由于工作需要，最近在研究关于如何通过程序识别答题卡的客观题的答案，之前虽然接触过python，但对于计算机视觉这一块却完全是一个陌生的领域，经过各种调研，发现网上大多数的例子都是采用的OpenCV这个开源库来做的，OpenCV是计算机视觉领域的处理的一个非常优秀的开源库，原生由C++编写，也提供了各个主流编程语言的接口支持，这里选择python完全是因为python在计算机科学领域有着压倒性的优势和生态系统，所以使用它毫无疑问，最快上手的方式莫过于直接阅读网上已有的例子或者轮子了，通过阅读源码以问题驱动的方式来学习和研究某一项技术是比较高效的一种方式。 答题卡识别例子 博客相关 （1） （2） （3） （4） （5） 我的公众号(woshigcs) 有问题可关注我的公众号留言咨询

主成分回归代码matlab及示例机器学习（Coursera） 这是我对Andrew Ng教授的所有机器学习（Coursera）编程任务和测验的解决方案。 完成本课程后，您将对机器学习算法有一个广泛的了解。 首先尝试自己解决所有任务，但是如果您陷入困境，请随时浏览代码。 内容 讲座幻灯片 编程分配的解决方案 解决测验 斯坦福大学的吴安德（Andrew Ng） 第一周 视频：简介 测验：简介 视频：具有一个变量的线性回归 测验：具有一个变量的线性回归 第二周 视频：具有多个变量的线性回归 测验：具有多个变量的线性回归 视频：八度/ Matlab教程 测验：八度/ Matlab教程 编程分配：线性回归 第三周 视频：Logistic回归 测验：逻辑回归 视频：正则化 测验：正则化 编程分配：逻辑回归 第四周 视频：神经网络：表示 测验：神经网络：表示形式 编程作业：多类分类和神经网络 第五周 视频：神经网络：学习 测验：神经网络：学习 编程作业：神经网络学习 第六周 视频：应用机器学习的建议 测验：应用机器学习的建议 视频：编程分配：正则线性回归和偏差/方差 机器学习系统设计 测验：机器学习

zip 包含四个文件PSO31.m 主要 PSO 功能，带有详细注释。 PlotG.m 用于可视化 Griewangk 函数。 Griewangk.m 是 Griewangk 函数本身。

大数据可视化大屏例子 图形统计分析、视频、仪表DashBoard监控等; 智慧物流服务中心大数据可视化大屏; 设备环境监控平台大数据可视化大屏; 车联网大数据可视化大屏; 运营大数据大数据可视化大屏; 电子商务大数据可视化大屏; 物流大数据可视化大屏; 旅游区大数据可视化大屏； 交通大数据可视化大屏；

这个文件是和dsoframer.ocx 2.3.0.1源代码(http://download.csdn.net/source/1673109)配套使用的测试例子,是应一些下载了dsoframer.ocx 2.3.0.1源代码的朋友的要求上传的,本来想和dsoframer.ocx 2.3.0.1源代码放在一起,但不知道怎么在原来上传的资源中增加,所以就独立出来!

提供几个微型计算机与接口技术中8255芯片应用的几个例子。

主成分回归代码matlab及示例传统转学 这是传统迁移学习技术的演示。 实例加权方法 1. TrAdaboost。 参考号促进迁移学习， ICML 2007。
2.回归Tradaboost。 在分类的情况下，权重乘以coef.^(0 or 1). 在回归Tradaboost中，绝对误差被用作幂项。 3.实例加权内核岭回归 实例加权核岭回归， 参考： Jochen Garcke，重要性加权归纳迁移学习回归 在这种情况下，所有源域数据都被标记，目标域中的一小部分也被标记。 在这里，我们将此部分称为“辅助数据”。 其余目标域数据未标记，称为“测试数据”。 在此方法中，基于[源数据+辅助数据]计算源实例的权重（alpha），并将其应用于源实例。 源集有n个实例，辅助集有m个实例。 该方法包含3个步骤： 训练了内核岭回归（rbf内核）模型，并在源数据上进行了测试。 获得双重经济效率a（n * 1）。 此a用于计算权重alpha。 代替在每个实例上应用标量，这里作者使用一种rbf距离的形式： Alpha是变量，而不是w （x，y） 成本函数是加权误差，带有α上的调节项。 Alpha应该大