一份完整详细项目立项策划案，内容主要包括市场分析，市场定位，设计理念，游戏背景，职业设定，玩家成长经历，战斗系统等。。
2022-11-07 19:31:33
8.25MB
1
在线教育
项目概述
（1）
在线教育系统，分为前台网站系统和后台运营平台。
前台用户系统包括课程、问答、文章三大部分，使用了微服务技术架构，前后端分离开发。
后端的主要技术架构是：SpringBoot + SpringCloud + MyBatis-Plus + HttpClient + MySQL + Docker + Maven，
前端的架构是：Node.js + Vue.js
其他涉及到的中间件包括Redis、ActiveMQ、阿里云OSS、视频点播
业务中使用了ECharts做图表展示，使用POI完成用户信息批量上传、注册
分布式单点登录使用了JWT
（2）
项目前后端分离开发，后端采用SpringCloud微服务架构，持久层用的是MyBatis-Plus，微服务分库设计，使用Swagger生成接口文档
接入了阿里云视频点播、阿里云OSS。
系统分为前台用户系统和后台管理系统两部
2022-11-05 13:22:50
198KB
1
CCSP For Dummies with Online Practice英文版练习册
2022-11-01 13:00:10
3.38MB
1
榆木分类器在线词典学习
这是在线稀疏字典学习和时间金字塔匹配的官方Matlab实现[“李南宇，司玉娟，邓铎，袁春雨ECG通过在线稀疏字典和时间金字塔匹配进行分类”，在IEEE第17届国际通信技术大会上（ICCT）]可以从中下载
兼容性
该代码使用Windows
10和Matlab
2012进行了测试。
抽象的
最近，单词袋（BOW）算法提供了有效的功能并提高了ECG分类系统的准确性。
但是，BOW算法有两个缺点：（1）。
量化误差大，重建性能差。
（2）。
它会丢失心跳的时间信息，并可能为不同类型的心跳提供令人困惑的功能。
此外，ECG分类系统可用于对心血管患者进行长时间监视和分析，同时会产生大量数据，因此我们迫切需要一种有效的压缩算法。
鉴于上述问题，我们使用小波特征构造稀疏字典，从而将量化误差降至最低。
为了降低算法的复杂性并适应大规模的心跳操作，我们将在线词典学习与特征符号算法结合起来以更新词典和系数。
系数矩阵用于表示心电图搏动，大大减少了内存消耗，同时解决了定量误差的问题。
最后，我们构造金字塔以匹配每个ECG搏动的系数。
因此，我们通过时间随机池获得包含节拍时间信息的特征。
2022-10-24 19:07:50
155KB
1
最近课程需要做论文Presentation，选了一篇2014年的，DeepWalk: Online Learning of Social Representations，有需要的可以下载
2022-10-17 10:31:02
2.35MB
1
这本书是Shai Shalev-Shwartz 的博士论文，非常详细地介绍了 Online learning 领域从理论到算法再到应用的各方面的内容。是学习 Online Learning 必读的文献
2022-09-26 19:46:02
976KB
1
a pdf file about Online Clustering Algorithms and Reinforcement Learning using in onilne clustering
2022-09-24 22:00:09
581KB
VC + + example code online video broadcast
2022-09-20 19:01:27
831KB
HDMapNet: An Online HD Map Construction and Evaluation
2022-09-16 09:07:37
13MB
1