Windows via C C++ - Windows核心编程 源代码

该应用程序（几个PHP脚本）允许Web用户唤醒启用WOL的远程主机。

英文版：CLR via C#, Third Edition 内容简介 《CLR via C#(第3版)》针对CLR和.NET Framework 4.0进行深入、全面的探讨，并结合实例介绍了如何利用它们进行设计、开发和调试。《CLR via C#(第3版)》5部分29章。第Ⅰ部分介绍CLR基础，第Ⅱ部分解释如何设计类型，第Ⅲ部分介绍基本类型，第Ⅳ部分以实用特性为主题，第Ⅴ部分花大量篇幅重点介绍线程处理。 编辑推荐 《CLR via C#(第3版)》深入、全面探讨.NET Framework、CLR和多核编程，广泛讨论Framework Class Library（FCL）核心类型，对泛型和线程处理等深奥难懂的开发概念提供权威、实用的指导 自下而上，由浅入深掌握CLR和.NET的权威指南 享有全球盛誉的编程专家Jeffrey Richter，这位与Microsoft.NET开发团队合作长达8年时间的资深顾问，在《CLR via C#(第3版)》中和读者分享他编程生涯中积累的所有丰富经验和心得，他的独到。睿智的见解，他的远见卓识，为开发人员构建健壮、可靠和具有良好响应能力的应用程序与组件奠定了良好的基础。 《CLR via C#(第3版)》重要主题： 构建、部署应用程序、组件和共享程序集，并对它们进行版本管理 理解基元类型、值类型和引用类型的行为，从而最高效地定义和使用它们 使用泛型和接口来定义可重用的算法 高效使用特定的CLR类型——委托、枚举、定制attribute、数组和字符串 理解垃圾回收器是如何管理内存资源的 使用线程池、任务、取消、计时器和异步I／O操作来设计响应性强、稳定性高和伸缩性大的解决方案·借助于异常处理来进行状态管理·使用CLR寄宿AppDomain、程序集加载、反射和C＃的dynamic类型来构造具有动态扩展能力的应用程序。 作者简介 作者：（美国）瑞奇特（Jeffrey Richter） 译者：周靖 瑞奇特，(Jeffrey,Richter) Wintellect公司的创始人之一.该公司从事培训、调试和咨询，致力于帮助其他公司以更快的速度开发出更优秀的软件。他著作颇丰.代表作有畅销书《windows核心编程》和《CLR via C#》。他还是MSDN Magazine的特约编辑和专栏作家。 周靖，从1983年接触苹果机开始，“浸染”IT业数十年，涉猎广泛，具有深厚的技术功底和良好的文学素养早期痴迷于硬件，曾担任《微型计算机》杂志特约作者多年。继而潜心钻研编程，并乐在其中，积累了丰富的经验，其翻译风格严谨、准确、朴实、流畅，深受读者欢迎。代表译著有《c++面向对象程序设计》（walter Savitch著）、《windows核心编程》（Jeffrey Richter著）和《C++图形与游戏编程基础》（Tony Gaddis著）等，业余时间，听音乐和看电影是他的爱好。

Adaptive code via C# Adaptive code via C# Adaptive code via C#

via_Current(过孔电流计算器.xls

框架设计 CLR Via C# 中文版 第5部分

基于忆阻神经网络的联想记忆，曾志刚，温世平，本文研究了基于忆阻神经网络的联想记忆。根据忆阻器二极模型的阻值的可变性，提出一种带有非对称电压阈值一维电压控制模型。由于

LASOR: Learning Accurate 3D Human Pose and Shape Via Synthetic Occlusion-Aware Data and Neural Mesh Rendering

CLR via C# 第4版 中文 完整 730页，解压后大小110M

2．3机械臂动力学控制方法 2．3．1确定性机械臂动力学控制方法 机械臂的动力学控制问题的主要研究内容为设计合适的控制器，控制各关节的驱动力矩， 驱动机械臂在期望的轨迹上运动，使各关节的位移、速度、加速度跟踪上相应的期望值。确 定性机械臂是指不受外扰、建模精确的机械臂，这类机械臂在工程实践中极少，是理想化的 机械臂，一般的机械臂都会带有不确定性，但对确定性机械臂的控制是研究一般机械臂的控 制方法的基础。对确定性机械臂研究得足够透彻才能更好地研究不确定性机械臂。作为一个 应用广泛的机械系统，机械臂的控制方法有很多种。常用的方法包括以下这几种。 PD控制‘6，7，27]：工程实践上PID控制是应用最广泛的一种控制方法，机械臂的控制中常 常使用到PD控制器。PD控制器结构简单、算法容易实现。对具有精确模型的系统控制具有 非常好的控制品质。对于系统结构、参数没有精确建模的系统，可以通过现场调试来确定控 制器参数，提供良好的品质，并且调试方法简单直观。对于具有时变的不确定性系统，PD控 制器的效果不太理想，对系统运行中出现的变化适应能力不强。 Backstepping控制‘17，2邑291：Backstepping控制的思想是把复杂的系统分解为不超过系统阶 数的多个简单的子系统，为每个子系统设计李雅普诺夫函数和虚拟控制量，逐个子系统反推， 直到最后一个子系统时完成控制器的设计。这是对复杂系统的～种简化处理方法。 Backstepping控制的每步反推中设计的李雅普诺夫函数都需要求导，而且后一个子系统的李 雅普诺夫函数会包含前一个子系统的李雅普诺夫函数，因而多次反推后会出现很多代数项， 计算量会随着系统阶数的增加而快速增加。 其他基于模型的控制：当可以获取精确模型时，系统的动态特性可以由动力学方程来描 述。可以采用基于数学模型的控制方法，如补偿控制、最优控制、非线性反馈控制等。但这 类方法只适合于理想化的确定性机械臂，难以应用到带不确定性的一般机械臂上。 这些方法往往应用于对理想模型的研究，在面对具有不确定性的实际机械臂系统时，控 制品质难以得到保证。但是这些基本的控制方法，可以作为不确定性机械臂研究的基础。通 过引入自适应、鲁棒控制等思想，这些方法可以扩展到不确定性机械臂的应用上。 2．3．2不确定性机械臂动力学控制方法 在实际的工程应用中，影响机械系统工作的因素非常多，要考虑所有因素而获取机械臂 的精确数学模型是不可能的。在建模时必须做出一定的假设，忽略一些影响较小的、难以建 模的因素，才能建立出在一定精度范围内能描述实际系统的近似模型。实际应用中的机械臂 都是带有不确定性的。这些不确定性包括一些参数的不确定性，如连杆的质量、长度、质心 之类的物理量难以精确测量，只能部分已知或未知，也包括一些非参数的因素，如高频未建 模动态、摩擦力等。另外机械臂也不可避免地受到外部扰动的影响，更由于机械臂负载的不 确定性，导致机械臂系统具有较强的不确定性。结构或参数的不确定性和外部扰动会使控制 效果受到不同程度的影响，严重时会导致机械臂系统不稳定。因此，对机械臂控制方法的研 12