周氏 从sourcemaps反向工程JavaScript和CSS源 名称的背景 该项目的名称是为了纪念琉球群岛某位大师的遗产，他曾为当今我们所熟知的空手道和ryukyu kobujutsu武术做出了贡献。 入门 通过全局安装shuji命令行实用。 可能需要通过sudo来获得特权，具体取决于平台。 在大多数情况下，只需： npm install --global shuji 用法示例： shuji file.js.map -o folder 请注意， 的最低支持版本是10.13.0 ，它是。 命令行选项 shuji --help的输出几乎涵盖了所有选项： shuji - Reverse engineering JavaScript and CSS sources from sourcemaps Usage: shuji [options] < file>

sqliv 大型SQL注入扫描器通过Bing，Google或YahooSQL注入dork提供多域扫描功能，通过提供特定域（具有爬网）进行反向域扫描，SQLi扫描和域信息检查均在多处理中完成，因此脚本在以下情况下超快扫描许多url快速教程和屏幕截图显示在底部的项目贡献提示中

西门子SIMOTION轴的反向间隙补偿功能pdf,西门子SIMOTION轴的反向间隙补偿功能

matlab线性调频信号代​​码Chirp_OOK 通过使用反向散射通信 Chirp-OOK。 Chirp-OOK 项目旨在提供一个用于调制和解调的演示。 当然，我也是用usrpN210生成信号数据，成功接受了。 特征 本项目使用matlab生成chrip信号进行仿真。 两种方式解调。 降档相关 FRFT() 我成功地尝试了 usrpN210。 跑步 目前的工作只是一个demo。所以你可以运行demodulate.m来模拟。 当然，您可以在代码中取消注释某些代码以使用真实数据。 变更日志 V1.1 :face_savoring_food:

将自适应梯度算法（Adagrad）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中train.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

将自适应矩估计算法（Adam）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中Adam.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

针对鲸鱼优化算法（WOA）容易陷入局部最优解、收敛速度慢等缺陷，提出一种基于小孔成像反向学习策略的鲸鱼优化算法。首先采用高斯映射生成的混沌序列取代原始算法中随机产生的初始种群，增加种群的多样性；其次，提出了一种小孔成像反向学习策略，并结合最优最差反向学习思想，增加了寻优位置的多样性，提高了算法跳出局部最优的能力；最后，在算法中加入了一个非线性收敛因子和一个对数形式的概率阈值，在保留鲸鱼算法优点的前提下，协调了算法的全局搜索和局部开发能力。通过对10个基准函数进行仿真测试，实验结果表明改进算法在收敛速度和收敛精度等方面有明显的提高。

GA-ANN Use genetic algorithm to optimize the backpropagation neural network. 简介：这是一个利用遗传算法实现BP人工神经网络的matlab代码，可用于实现2层（隐藏层数=1，不计输入层，则共2层）的BP-ANN。 原作者为： 由于云盘易失效，在此备份。

综合考虑测船姿态、声线弯曲和海底地形对入射角的影响，推导了计算多波束海底入射角的实用模型。根据Lambert法则，改正海底入射角对反向散射强度的影响。实例计算结果表明，所述模型能精确地计算波束在海底的入射角，有效地改正其对反向散射强度的影响。

Windows / x64-使用Meterpreter反向Shell注入所有进程（655字节）Windows / x64-使用Meterpreter反向Shell注入所有进程（655字节）Shellcode作者：Bobby Cooke（boku）日期：2021年5月1日经过测试：Windows 10 v2004 （x64）编译自：Kali Linux（x86_64）Shellcode说明：64位Windows 10 shellcode，用于注入具有Meterpreter反向shell的所有进程。 Shellcode首先通过Intel GS寄存器和主机进程进程环境块（PEB）动态解析内存中kernel32.dll的基地址。 然后再