IrCOMM layer state machine for Linux v2.13.6.

in this file is program interface using serial com with thread delphi

主要介绍如何使用automata以及Petri Nets对离散事件（动态）系统进行建模及描述。 吴老师上学期连讲了好多节课，并且发了一篇book review在IEEE Control System Magazine上： 　　 　　A. Paoli and N.E. Wu, Book review: An Introduction to Discrete Event Systems, 2nd Edition, by C.G. Cassandras, and S. Lafortune, IEEE Control Systems Magazine, June, 2009. 　　 　　Eva Wu的个人主页： 　　http://www.ws.binghamton.edu/wuweb

使用API函数mouse_event可以模拟鼠标事件

linux下userspace code侦听GPIO硬件中断事件的方法示例代码

前段时间写了一个简单的div拖动效果，不料昨天项目上正好需要一个相差不多的需求，就正好用上了，但是在移动端的时候却碰到了问题，拖动时候用到的三个事件：mousedown、mousemove、mouseup在移动端都不起任何作用。毕竟移动端是没有鼠标的，查资料后发现，在移动端与之相对应的分别是：touchstart、touchmove、touchend事件。还有一点要注意的是在PC端获取当前鼠标的坐标是：event.clientX和event.clientY，在移动端获取坐标位置则是：event.touches[0].clientX和event.touches[0].clientY。 下面就来说

winform实现传值效果，当点击form1页面的修改按钮，弹出form2窗体，点击修改完成时，form1的值也随之改变。

摘要视图2014年12月23日 20:13:38event分类：目录(?Linux/Android——输入子系统input_event传递 (二)11931人阅

GDI+画图，事件驱动。 使用方法：右键reset按钮出现菜单。其他跟老版扫雷一样。 特色：首发无雷。自适应窗口大小。 源码送上，细节自行研究。

Modeling Continuous-time Event Data with Neural Temporal Point Processes 事件数据是机器学习许多高影响力应用的核心。电子健康记录中的医院访问，地震学中的地震目录，以及神经科学中的高峰列车——所有这些都可以用连续时间中可变长度的事件序列来表示。时间点流程(TPPs)为此类数据建模提供了一个自然的框架。然而，传统的TPP模型缺乏捕捉现实事件数据中呈现的复杂模式的能力。神经TPP旨在通过将神经网络与点过程文献中的基本思想相结合来解决这一限制。本论文的两个主要主题是(1) 设计灵活、可处理和高效的神经TPP模型，(2)它们在现实问题中的应用。我们的第一个贡献是TPP和神经密度估计领域之间的联系。这使得我们能够开发第一个神经TPP模型，其中的可能性计算、采样和预测都可以以封闭的形式有效地完成。接下来，我们提出了TriTPP——一种新的表达性TPP模型，与现有方法不同，该模型中所有操作都可以并行完成。快速平行采样为TPP模式开启了新的应用。我们通过推导连续时间离散状态系统的变分推断方案来证明这一点。最后，我们将拟合优度测试方