.NET Reflector是一个类浏览器和反编译器，可以分析程序集并向你展示它的所有秘密。.NET 框架向全世界引入了可用来分析任何基于 .NET 的代码（无论它是单个类还是完整的程序集）的反射概念。反射还可以用来检索有关特定程序集中包含的各种类、方法和属性的信息。使用 .NET Reflector，你可以浏览程序集的类和方法，可以分析由这些类和方法生成的 Microsoft 中间语言 (MSIL)，并且可以反编译这些类和方法并查看 C# 或 Visual Basic .NET 中的等价类和方法。 内附Crack目录中有txt，按照说明即可破解。文件夹中已经附有FileDisassembler插件，请自行添加。

山东大学软件学院数据挖掘期末总结 数据挖掘是指从大量数据中提取有价值的信息的过程。数据挖掘的基本步骤包括：明确目的和思路、数据收集、数据处理、数据分析、数据展现和报告撰写。其中，数据处理是一个非常重要的步骤，它包括数据清理、数据集成、数据变化和数据归约等任务。 大数据的 4V 理论是指数据的四个主要特征：数据量大（volume）、数据类型繁多（variety）、处理速度快（velocity）和价值密度低（value）。 数据分析中有多种度量尺度，常见的有定类尺度、定序尺度、定距尺度和定比尺度，每种尺度都有其对应的集中趋势和离散度量方法。 在数据挖掘中，数据对象的相似性是一个非常重要的概念，常见的相似性度量方法有余弦相似度、Jaccard 相似系数和闵可夫斯基距离等。 数据属性的相关性也是一种非常重要的概念，常见的相关性度量方法有斯皮尔曼等级相关系数、皮尔森相关系数等。 数据预处理是数据挖掘的准备阶段，主要任务包括数据清理、数据集成、数据变化和数据归约等。数据清理主要解决的问题是填写空缺的值、识别离群点和平滑噪声数据等。 脏数据是指数据中存在错误、不一致或缺失的数据，常见的脏数据类型包括不完全、噪音和不一致等。脏数据的主要原因是数据收集时未包含、数据收集和数据分析时的不同考虑、人/硬件/软件问题等。 缺失值的处理方法有多种，包括忽略元组、手工填写、数值型数据使用中位数、平均数、众数等填充等。 噪音数据是指在测量一个变量时可能出现的测量值相对于真实值的偏差或者错误。噪音数据的产生原因包括错误的数据收集工具、数据录入问题、数据传输问题、技术限制、不一致的命名惯例等。 噪音数据的检测和处理方法也有多种，包括简单统计分析、使用距离检测多元离群点、基于模型检测和基于密度检测等。处理方法包括分箱、回归和聚类等。 数据挖掘是一个复杂的过程，需要对数据进行多方面的分析和处理，以提取有价值的信息。

本文介绍了CHB-MIT头皮脑电图数据的处理流程，包括数据介绍、下载和预处理步骤。CHB-MIT数据库收集自波士顿儿童医院，包含22位难治性癫痫儿科患者的脑电图记录，采样率为256Hz，数据以.edf格式存储。文章详细说明了如何从.edf文件中提取原始数据、进行0.1~50Hz的滤波处理以及数据分块（时间窗口划分）的方法，并提供了相应的Python代码示例。这些预处理步骤为后续的癫痫研究奠定了基础。 CHB-MIT头皮脑电图数据集是来自波士顿儿童医院的一套包含了22名儿童患者癫痫发作期间的脑电图(EEG)记录。该数据集的采样率为256Hz，以欧洲数据格式（.edf）进行存储。本文详细阐述了处理CHB-MIT EEG数据的整个流程，涵盖了数据的获取、初步处理、滤波以及分块操作等多个环节。 在数据的获取阶段，首先需要从相关网站下载CHB-MIT数据集。随后，处理的第一步是提取.edf文件中的原始信号数据，这一步是通过专门的工具和编程语言实现的。本文中使用了Python语言以及相应的库函数来完成数据的提取工作。 完成数据提取之后，接下来的步骤是进行滤波处理，以去除原始信号中不必要的频率成分。具体操作是将信号通过一个带通滤波器，其通带为0.1~50Hz。这一范围内的频率成分被认为对癫痫研究更有价值，可以减少噪声和不相关信号的干扰。 在信号处理的后续阶段，需要将连续的EEG信号按照一定的时间窗口进行分割。这样可以将长时段的记录分解为较短的片段，便于后续分析。例如，可以采用每秒进行一次分割，或者根据研究的需要进行不同的时间窗口划分。 文章中不仅详细描述了上述步骤，还提供了相应的Python代码示例。这些代码示例旨在帮助研究人员和开发者快速掌握CHB-MIT EEG数据集的处理方法，并在此基础上进行癫痫的进一步研究。通过这些预处理步骤，能够为癫痫研究提供一个清洁、标准化的数据集。 由于EEG数据的特殊性，其分析过程往往复杂且需要专业的知识。本文的贡献在于提供了一套系统的处理流程和实操指导，使得即使是初学者也能进行有效的数据处理。这对于促进癫痫研究，尤其是在头皮EEG信号分析方面的研究，具有重要意义。 文章还提到了后续研究的方向，比如如何将这些预处理后的数据用于癫痫发作检测、发作分类、特征提取等高级分析。这些研究方向是利用EEG数据进行癫痫诊断和监测的关键步骤。 Python作为当前科研和数据分析中非常流行的一种编程语言，其在EEG数据处理领域的应用越来越广泛。本文提供的代码示例，能够帮助那些对Python技术有一定了解的科研人员和工程师，更快地理解和应用CHB-MIT数据集。 在研究和开发中，EEG信号处理是医学信号分析中的一个重要分支。精确的EEG信号分析不仅对于癫痫研究有着重大的意义，而且在神经科学、心理生理学、睡眠研究以及脑机接口等多个领域也有广泛的应用。通过对EEG信号进行有效的提取、滤波和分块，可以为这些领域提供更为准确和深入的研究数据。 本文所介绍的CHB-MIT头皮脑电图数据集及其处理流程，是目前医学信号处理和分析研究中非常有价值的资源。通过这些数据集和相关技术的使用，研究人员能够在癫痫及其它脑部疾病的诊断和治疗中取得更多的进展。

Reflector7.0不用多解释了吧，很强大的反编译工具 NET Reflector 2011 2月已经结束提供免费版本，催生了另一个开源的项目ILSpy。ILSPY这个开源工具的目的就是代替reflector的,它可以反编译出比reflector更好的C#代码，1.0版本支持C#，2.0版本将支持VB:

T-Splines是犀牛(rhino)的插件之一，主要功能是基于多边形实现建模操作，可用于生物、动物等有机体建模。这里小编给大家带来汉化版的T Splines，用起来更方便、简单。需要的朋友试试吧！ T-Splines 4.0 功能特点小编这里给大家带来的是T-Splines 4.0版本，此版本完美显示中文... 此版本适配rhino 5.0，需要的可以下载： 软件名称：犀牛5.0(Rhinoceros)软件版本：sr11 破解版 软件大小：2KB软件语言：多国语言[中文]适用平台：WinAll下载地址：犀牛5.0(Rhinoceros) T-Spline 4.0更新内容： 1.高度整合到Grasshopper中。 2.更好与Rhino5.0整合。 3.改进建模功能。 v4新增功能： 1.全新的Creasing功能（建模功能中最重要的改进） 2.Knif功能 3.Extrude along curve功能 T Splines中文版安装使用说明下载解压后，进入“TSplines4.0_for Rhino 5.0”目录，运行“Setup.exe”进行安装

为了有效地感知物联网环境下的网络安全状况，提出了一种基于免疫的物联网环境安全态势感知（IIESSA）模型。 在IIESSA中，给出了关于自身，非自身，抗原和检测器的一些正式定义。 根据记忆检测器抗体浓度与网络攻击活动强度之间的关系，提出了基于人工免疫系统的物联网环境下安全态势评估方法。 然后根据上述评估方法获得的态势时间序列，提出了一种基于灰色预测理论的安全态势预测方法，用于预测下一步物联网环境将遭受的网络攻击活动的强度和安全态势。 实验结果表明，IIESSA为感知物联网环境的安全状况提供了一种新颖有效的模型。

习题课内容 1. (a) 试利用x(n)的z变换求nx(n)的z变换。 (b)若一个时域离散线性时不变系统的单位取样响应为h(n),输入序列x(n)是一周期为N的序列，输出序列y(n)具有什么样的性质？请予以证明。 2007年期末考试卷（A卷）第1题

内容概要：本文探讨了将RBF神经网络应用于永磁同步电机(PMSM)的自抗扰控制(ADRC)，旨在提高控制系统的自适应性和鲁棒性。文中详细介绍了RBF-ADRC控制器的设计原理，特别是利用RBF网络在线调整ESO参数的方法。通过MATLAB仿真实验验证了该方法的有效性，在突加负载和参数摄动情况下表现出更好的稳定性和响应速度。同时，文章还提供了具体的代码实现细节和技术要点，如参数变化率限幅、高斯函数中心点初始化策略等。 适合人群：从事电机控制系统设计的研究人员、工程师以及相关专业的研究生。 使用场景及目标：适用于需要高精度、强鲁棒性的永磁同步电机控制系统开发项目。主要目标是降低传统ADRC的手动参数整定难度，提高系统对外部扰动的抵抗能力。 其他说明：文中提到的技术不仅限于PMSM，对于其他类型的电机同样有借鉴意义。此外，作者分享了一些实用的经验技巧，如神经网络初始化、计算效率优化等，有助于读者更好地理解和应用所介绍的方法。

基于改进神经网络ADRC的永磁同步电机闭环控制仿真模型与传统自抗扰PMSM的比较研究,传统ADRC与改进神经网络ADRC的永磁同步电机闭环控制仿真模型 传统自抗扰PMSM：采用二阶自抗扰的位置电流双闭环控制 改进RBF自抗扰ADRC：自抗扰中状态扩张观测器ESO与神经网络结合，对ADRC中的参数进行整定 有搭建仿真过程的参考文献及ADRC控制器建模文档 ,关键词：传统ADRC; 改进神经网络ADRC; 永磁同步电机; 闭环控制仿真模型; 二阶自抗扰; 位置电流双闭环控制; 状态扩张观测器ESO; 神经网络; 参数整定; 仿真过程; ADRC控制器建模文档。,基于神经网络优化的ADRC在永磁同步电机控制中的应用与仿真研究

内容概要：本文详细介绍了如何使用Aspen Plus软件结合ASF（Anderson-Schulz-Flory）分布关系、Rstoic反应器和Fortran子程序来模拟费托合成过程。费托合成分两步进行：一是CO加氢反应，二是碳链的增长。文中首先解释了Rstoic反应器的设置方法，包括定义反应物和产物及其化学计量系数。接着阐述了ASF分布函数的作用及其在Fortran子程序中的实现，通过调用Fortran子程序来精确模拟产物分布。此外，文章还提供了具体的Fortran代码示例，展示了如何将链增长概率α设为温度的函数，从而更好地模拟实际工况。最后，作者分享了一些实用的操作技巧和常见错误避免方法。 适合人群：从事化工过程模拟的研究人员和技术人员，尤其是那些希望深入了解费托合成模拟的人群。 使用场景及目标：适用于需要对费托合成过程进行精确模拟的研究项目或工业应用。主要目标是提高模拟精度，优化生产工艺，减少实验成本。 其他说明：文章不仅提供了详细的理论背景介绍，还包括了许多实际操作中的注意事项和经验分享，有助于读者更快地上手并掌握相关技能。