SQL Prompt 10.4, 支持最新版的SSMS 18.6+, 断网注册成功。 非常好用的一款数据库辅助工具插件。

本文设计了一种基于支持向量机（SVM）的运动目标识别算法，以对运动目标进行准确的识别和分类。 鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。 利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树形成多分类器。 对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。 实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。

安装了Navicat for MySQL 破解版，连接数据库出现错误 1251- Client does not support authentication protocol …的错误，网上查了一下 ，某位前辈直接给出了答案，特此记录，以为成长道路上留下足迹… 原因： mysql 8.0之前的版本的加密规则与8.0不同，之前是mysql_native_password，8.0之后是caching_sha2_password,由于规则不同导致破解版的navicat无法正常连接数据库； 采用还原加密规则的方法来解决上述问题，步骤如下： 1.打开CLC，如下图所示 2. 输入以下命令，来更改密码

将uiautomator的输出日志转化为xml的文件格式，方便在网页上展现出来

本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。 在SVM中，选择对预测性能有重要影响的参数至关重要。 提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。 SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。 受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出； 在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。 来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA- IPSO）方法在大多数实验中都是如此。 换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

android-support-multidex1.0.1.jar，这是一个分包jar，在build.gradle也可以使用compile 'com.android.support:multidex:1.0.1'，但有些朋友想把它放到lib里面，所以分享给大家

解决android-support-v4.jar无法找到checkSelfPermission

IAR for stm8 debugger-support-files 解决问题===> An error occurred while retrieving GDI features: gdi-error [40201]: Can't access configuration database

This paper takes the p-adic representation of integers as the research object to realize the distance measurement of integers in the p-adic metric space. The authors firstly apply the Euclidean algorithm to infer the coefficients of a positive integer in polynomial representation, whose corresponding negative integer can be obtained with the help of the similar solution method of binary complement; secondly, the coefficients are respectively mapped into from mod p to mod the n-th power of p laye

By applying support vector regression, the modeling data of rice leaves collected in our study were grouped into sample training set and test set, and three machine learning prediction models on rice growing environment against leaf blade length, width and SPAD value were constructed..