这个用C#写的记事本是模仿微软记事本写的 基本实现了它的全部功能（包含查找替换功能） 并且状态栏还有行列显示

图像相似度 使用Resnet50+KNN在数据集中查找相似图像以获取新图像。 为了解决curse of dimensionality使用PCA来降低特征的维数。 Resnet50（在imageNet上训练） 在没有toplayer的情况下从keras创建Resnet50，以获取卷积特征（2048维）作为输出，而不是图像分类概率。 为数据集的每个图像提取卷积特征（Feature_size：[number_images，2048]）。 KNN（不是分类问题） 将最近邻算法拟合到从数据集中提取的特征 提取测试图像（新）的卷积特征，并计算测试图像与数据集的每个图像之间的距离（image_Similarity）。 PCA 将PCA应用于提取的特征并减小尺寸。 使最近邻算法适合新功能

数据表+源码+报告 大三数据挖掘实验

MY_extrema 在矩阵 "mat" 的每一列中查找极值的位置，并返回与 "mat" 大小相同的 "pos_extr" 矩阵，其中 -1 在最小值位置，1 在最大值位置，0 lsewhere。 搜索从“垫子”的相应推导中的符号悬挂测试中获取结果。 搜索技术适用于 fft 谱作为函数参数。“mat”的谱重复考虑了边缘上的 y 极值测试。 该脚本不处理 NaN。 如果出现平坦极值，则处理平坦上的最后一个位置。

linux下 C++查找vid和pid的USB设备，适合x86 arm64 mips64等系统，完美兼容

【在局域网内查找病毒主机】 ARP欺骗木马开始运行的时候，局域网所有主机的MAC地址更新为病毒主机的MAC地址（即所有信息的MAC New地址都一致为病毒主机的MAC地址），同时在路由器的“用户统计”中看到所有用户的MAC地址信息都一样。 在上面我们已经知道了使用ARP欺骗木马的主机的MAC地址，那么我们就可以使用NBTSCAN工具来快速查找它。 NBTSCAN可以取到PC的真实IP地址和MAC地址，如果有”ARP攻击”在做怪，可以找到装有ARP攻击的PC的IP/和MAC地址。 命令：“nbtscan -r 192.168.16.0/24”（搜索整个192.168.16.0/24网段, 即192.168.16.1-192.168.16.254）；或“nbtscan 192.168.16.25-137”搜索192.168.16.25-137 网段，即192.168.16.25-192.168.16.137。输出结果第一列是IP地址，最后一列是MAC地址。 NBTSCAN的使用范例： 假设查找一台MAC地址为“000d870d585f”的病毒主机。 1）将压缩包中的nbtscan.exe 和cygwin1.dll解压缩放到c:下。 2）在Windows开始—运行—打开，输入cmd（windows98输入“command”），在出现的DOS窗口中输入：C: btscan -r 192.168.16.1/24（这里需要根据用户实际网段输入），回车。 3）通过查询IP--MAC对应表，查出“000d870d585f”的病毒主机的IP地址为“192.168.16.223”。

对于给定的列向量 X 和一些值 Y，FINDCLOSESTID2VAL 返回 X 中最接近 Y 的索引，例如： FINDCLOSESTID2VAL([0.1 -1 -0.05 10],0) 将返回 3，因为 -0.05 是最接近 0 的值. 此函数对于时间序列非常方便，您希望获取可能不完全匹配的时间点的 id。 对于中小型“X”和小型“Vals”，此功能非常快。 对于在两个非常大的数组上快速完成相同工作并具有一些附加功能的函数，请参阅 Jos 的 NEARESTPOINT： www.mathworks.com/matlabcentral/fileexchange/8939 左上角的图显示了最大值。 'Vals' 的长度与 'X' 的长度，其中 FINDCLOSESTID2VAL (f1) 将比 NEARESTPOINT (f2) 快，包括计算任意长度 'X' 的临界值的方程。

学习质料 是很好的学习质料 需要的朋友请下载喝 谢谢光临 希望此资源对你有帮助

最近在搞一个被很多人改了的框架，天天看代码看的头的晕了，不过感觉进步还挺大的，自己做了一个后台可配置前台查看两个库不同数据范围的东西，还挺满意，那天拿出来分享一下，今天先说一个这几天做的功能，就是html页面的查找功能。 这个功能主要是实现在查找框内输入字符，之后按后面的上一个下一个按钮，会自动把查询区域内的匹配字符用特殊的样式标记，之后可以继续按上一个下一个按钮把按照顺序浏览匹配字符，并把当前匹配的字符用另一种样式与其他匹配字符加以区别。 前台显示大概是这个样子： html是这样： <div class=container style=z-index: 999 id=sear

c#demo 操作第三方窗体 对控件进行赋值取值点击设定等一系列操作。代码思路清晰， 带测试窗体。可直接运行操作测试窗体。