空间调制技术

Java POI 导入导出Excel简单实例源代码该源代码的jar包，参见以下博文附录截图Java POI导出EXCEL经典实现 Java导出Excel弹出下载框http://blog.csdn.net/evangel_z/article/details/7332535web页面导出Excel文档，路径：http://localhost:8080/poi/export

给特定的脉冲信号给步进电机驱动器，让步进电机转到相应的角度。

基于Xgboost的商业销售预测，以德国Ｒｏｓｓｍａｎｎ商场的数据为例，通过对数据的探索性分析，以相关背景业务知识体系为基础，通过可视化分析，提取隐含在数据里的特征，使用性能较优的Ｘｇｂｏｏｓｔ方法进行规则挖掘，取得较好效果。第3期饶泓等:基于 Boost的商业销售预测277·(3)eta:收缩步长,即学习速率,取值范围是,3.1数据来源默认为0.3。在更新叶子节点的时候,权重乘以本文所有数据均来自 Haggle中的 Rossmanneta,以避免在更新过程中的过拟合。商店销售额数据集。 Rossmann是商人 Dirk ross(4) max _ depth:每棵树的最大深度,取值范围mann创立的德国首家平价日用品商店,现在的是,默认为6。树越深,越容易过拟合。Rossmann公司逼布欧洲7个国家,分店达100多(5) subsample:训练的实例样本占整体实例样家。论文通过位于德国的1115所 Rossmann连锁本的比例取值范围是(0.1],默认为1。值为0.5商店的历史数据预测未来48天商店的销售额时意味着 Boost随机抽取一半的数据实例来生成Haggle给出了三个数据集: train、test、 store,分树模型,这样能防止过拟合别是训练集测试集和商店基本信息的数据集,对训(6) colsample bytree:在构建每棵树时,列(特练集建模训练,对测试集进行预测。征)的子样本比,参数值的范围是(0,1]数据集基本信息如下(7) objective:默认为reg: linear;(1)训练集 train.csv:时间范围为2013年01月(8)sccd:随机数种子,为确保数据的可重现01日到2015年07月31日,共942天,1017209条性,默认为0。数据。2.2K折交叉验证方法(K一CV(2)测试集test.csv:时间范围为2015年08月论文采用K折交叉验证方法。将原始数据0日到2015年09月17日,共48天,41088条数分为K个子集,每个子集分别验证一次,剩余的K据组子集作为训练数据,这样可得到K组训练集(3)商店基本信息数据集 store.csv:1115条数和测试集以最终的分类平均精度作为性能指标。据,共1115家商店的信息。在实际应用中,K值一般大于或等于2,需要建立K3.2数据的可视化分析及原始特征提取个模型来进行K折交叉验证的实验,并计算K次为了获取影响销售额的基本数据特征,论文对测试集的平均辨识率Gaggle提供的 Rossmann数据集进行了可视化分K折交叉验证的结果能较好说明模型效果,有析,提取原始特征集。效地避免欠拟合与过拟合。在 Boost中,通过(1)顾客数和销售额之间的关系xgb.cv函数来做交叉验证。从图1中可以看出,顾客数和销售额之间存在2.3独热编码(One- hot encoding紧密的正相关关系。由于 Boost仅适用于处理数值型向量,因此处理训练集和测试集时需要将所有其它形式的数10.0据转换为数值型向量,本文采用独热编码将特征值转专换为数值。50独热编码也称一位有效编码,即对于任意时间任意给定的状态,状态向量中只有一位为1,其余6各位为0,将n类特征值转化成n位二进制数串,将顾客数特征的每个对应类设置为1。独热编码将每一个特图1顾客数与销售额的关系曲线征的个取值通过独热编码后转换成了n个二元特(2)促销对销售的影响的可视化分析征,通过该方法将特征转变成稀疏矩阵6。独热编图2和图3中 Promo取1表示当天有促销活码能够解决分类器不好处理属性数据的问题并在动取0表示没有促销活动。从图中可以看出促销一定程度上扩充了特征活动对顾客数并没有太大影响,但销售量却明显提3数据预处理高了,即促销活动并没有吸引更多的顾客,但提高了顾客的购买力,从而提高了销售额。通过查询原始为了获取数据中的有效特征,论文采用探索性数据发现没有促销的情况下顾客平均消费8.94欧数据分析方法对数据进行可视化分析获得数据分元,有促销活动的情况下平均消费10.18欧元布特征,理解原始数据的基本特征,发现数据之间的(3)星期( DayOf Week)对销售影响的可视化分潜在模式.找出数据中的有效特征析21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net278南昌大学学报(理科版)2017年40000表2商店薮据基本特征集30000特征名称含义值批20000ore商店号取值:1到1115商店类型10000商店类别分类:逢础类met最近的党争对手的距薮卷:桊商店0离里有761个商店有PromoCompetition-图2促销对销售额的影响Open SinceMonth竞争对手开张的月份月份Open since year竞争对手开张的年份年份数据6000P持续性的促销活动0:无,1:有的4000Prom2 Since Week开始参加Pomo2促销日历上的第几周数的日历周值2000Pomo2 Sincerer开始参加Pm2i年份数据PromoPromoInterval参加Pomn2促销开始Jan,Apr,Jo)e的月份列表Feb, May, Aug, Nov".图3促销对顾客数的影响Mar, Jun, Sept, Dec从图中可以看出,星期日的销售额中位数和上不同的分类特征在训练集和测试集中的比例见四分位数远远高出正常营业日,但是下四分位数却表3~6低于正常营业日,即有些商店星期日营业额高于平表3Open特征取值比例时,但也有一部分商店的销售额低于正常营业日。从图中也可以看出,从周一到周六,周一的销售额偏16.99高一些,星期六的销售额偏低一些test/yo14.5585,4440000表4Prom特征取值比例30000Pramo0凝train61.8538,15批2000test/%50.4239.5810000表5 Stateholiday特征取值比例y星期几1.990.660.40图4销售额在星期1~7中的分布情况test/%99.560.44由于篇幅的关系,对数据的可视化分析不表6 Schoolholiday特征取值比例列岀。根据这些数据的可视化化析,我们提取出如Schoclholiday表1所示和表2所示的训练数据和测试数据原始特test/%55.6544.35征集以及商店数据基本特征集。表1数据原始特征集3.3数据预处理持征名称含义3.3.1数据清洗为获得可训练用数据,我们对原tcre有店号取值:1到1115始数据进行清洗,具体过程如下:DayOfWeek星期几取值:1到7(1)标记异常数据。如商店是开门的,但是销Date时间如2013-01-01Sales销售额数值售额为零的数据为异常数据Customers顾客数数值(2)对训练集的 Sales销售额字段取对数,设置是否开店关店,1:开店为 Saleslog字段;P当天是否有促销0:无促销,1:促销0:非假日,a:公共假日;b:(3)缺失值用一1填充;State Holiday假日复活节,c:圣诞节(4)合并训练集和测试集,添加Set字段,用以SchoclHoliday学校假日0非假日,1:假日分训练集和测试集,值1为训练集,0为测试集;(3)数值化分类特征值。原始数据集中, State21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测holiday分类特征取值为0、a、b、c,无法代入模型计算因此重新编码为0、1、2、3; Store Type分类特4实验结果及分析值为a、b、c、d, Assortment分类特征值为a、b、c,采4.1实验条件用同样方法用整型数据重新编码(1)软件环境(6)分解特征。将原始数据集中Date特征分(a)操作系统: Windows7x64解为 DatcDay、 Datc Wcck、 DatcMonth、 Datc ycar(b)开发平台: Python2.7+R3.4.2DateDay OfYear5个特征(c)第三方库: Python: numpy+ pandas+(7)增加字段 PateNt,即Date转换为整型的 atplotlib I xgboost;R3.4.2库: data table|gg形式lot2tlubridate-zoo-dplyr+scales+xgboost+(8)规范化特征表达。对 Competition- forecast glmnetpen sinceRer和 CompetitionOpenSinceMonth字(2)硬件环境段合并成普通年月的表达,并转化为整型;将Pro处理器:Iner(R)Core(TM)i3-4160CPUcmoZsincc ycar和 Promo2 Since wcck字段合并成普3.60GHz通年月的表达,并转化为整型,增加字段内存:8GBPromo2 SinccInt4.2单 Boost模型()删除偏差大于2.5的异常数据。对特征工程后的所有特征用 Boost模型进行(10)删除存在异常的数据点,如图5所示的异训练,参数如表7所示。常数据。表7单 Boost模型参数25000参数值参数值15000thread500M4M小人Activereg: linear subsamplegrounds20000colsample bytearly stop. round250004.3组合模型0%时你以根据模型的作用将模型分为三类:商店模式模型、数据合并模型、混合模型。商店模式模型:下面采用单个模型是对每个商图5异常数据店进行单独拟合。这类模型关注商店各自的特性,3.3.2特征处理论文根据相关信息背景对数据但是它也错过了可在其他相似商店的模式中获取的进行特征处理:信息(1)增加字段 Competition OpenInt(1)线性模型lm拟合趋势,不带特征交互的(2)添加一些额外的特征,如商店的位置特征 Boost模型拟合残差StoreState发薪日效应特征 PayDay(在一个月的第(2)线性模型lm拟合趋势,带特征交互的Ⅹg个工作日设置特征值为3在随后的两天设置为 boost模型拟合残差2、1)(3)线性模型lm拟合趋势,不同参数值的(3)增加商店平均每天的销售额 Sales PerDay、 glmnet模型拟合残差平均每天的顾客数 CustomersPerDay、平均每天每(4)tslm模型拟合趋势丨季节性,Ⅹ gboost模位顾客的销售额 SalesPerCustomers Per Day作为新型拟合残差。的特征。(5)tslm模型拟合趋势十季节性, glmnet模型(4)增加特征组合,如: store; DayofWeek,拟合残差store: Dayofweek: Promo等等。(6)tslm模型拟合趋势十季节性,Ⅹ gboost模型+ gemnet模型拟合残差。(7)每个商店直接用Ⅹ gboost模型拟合残差。21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net·280·南昌大学学报(理科版)2017年这些模型中,含有 Boost模型的模型参数设1.5- A. train-rmspe- B. train-rmspe置如表8,其中模型7中参数 rounds值设为500。1.0-A.validation-rmspe-B validation表8组合 Boost的模型参数0.5参数值0150030004500600075009000参数值RMSPEreg: linear eta0.013C0max _ depth图6在训练集 train和验证集 validation上的 RMSPE值colsamplc bytrcc0.8subsample3.95图7给出了 Boost模型中非组合特征的重要数据合并模型:下列模型使用合并有 store数度得分,从图中可以看出时间类特征和有关竞争对据集和trai训练集的数据集。各个模型的参数设手的特征得分非常髙,这意味着这些特征对模型具置如表9-11有非常大的影响。表9没有特征工程的 Boost模型DateWeek参数参数CompetitionopenIntreg: lineareta0.01SalesperDayPromorounds3000max _depthcolsample bytreesubsampleAssortment 152100000020000003000000F score特征重要度表10有特征工程的 Boost模型图?特征重要度得分参数参数值bjectivereg: linear eta为了对比各模型的泛化效果,我们给出了单类模型(线性模型LM、时间序列线性模型TSLM、基4000subsoIl0.9于 Lasso和 Elastic net正则广义线性模型 glmnet、early stop. round100cclsample bytree极端梯度上升模型ⅹ gboost)和它们之间的组合模型在测试集上 RMSPE值,从而评价模型在测试集表11153个特征十特征交互的 Xgboost模型上的泛化能力。如表13所示参数值参数表13各模型 RMSPE值比较objectivereg: linear etaC.015max depth18模型RMSPE值.20657300CLM一简单的特征处理rounds. 1l.7TSLM+筒单的特征处理cCanvTree0.12751early stop. round100random forest-简单的特征处理glmnet+简单的特征工程3.11974组合模型:通过组合数据合并模型来获取跨多个商Boost十简单的特征工程0.11839店之间共同的特质。模型的残差用商店模式模型中Boost+特征工程Boost+ glmnet+特征工程0.11262的模型来拟合,从而获得每个商店的特质。用Igloos+ glmnet+tslm+lm+特征工程0.1114Gprcomp函数从数据中提取50个主成分,并用Xg从表中可以看出,Ⅹ ghost单模型的能力就优bost模型来拟合、计算残差。模型说明如下:于其它模型,在进行了简单特征工程后, Boost(1)使用线性模型lm拟合趋势,带特征交互的和 gemnet模型相比, Boost模型依然效果更好。glmnet模型+ Boost模型拟合残差,最后我们结合TSLM|LM在处理趋势和季节性上(2)使用tslm拟合趋势和季节性,带特征交互的优势,采用集成方法对 Xgboost+ glmnet进行组的 Boost模型拟合残差。合得出优化模型Ⅹ gboost+ glmnet+tslm+lm+特图6给出模型在训练集和验证集上的 RMSPE征工程, RMSPE值得到较大提升,泛化性能最优的变化过程,横坐标是次数,纵坐标是 RMSPE的值A是人工删除了异常点的数据中的异常数据5结论并没有删除。可以发现在训练集上训练的前500次本论文研究基于 Boost方法对实体零售业销RMSPE的值就迅速的降低到0.2,然后在1750次售额进行预测。论文以德国零售业 Rossmann公就在0.1左右了,可以看出在训练集上效果很好。司1115家实体门店的商场信息和销售数据为薮据21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测281·源,采用 Boost方法对公司销售额进行预测。参考文献通过在特征工程中对原始数据进行特征提取、L1」赵啸彬.基于数据挖掘的零售业销售预测LD.上海:选择和构建,筛选岀用于训练的特征属性;对比Xα上海交通大学.2010boost、随机森林、 GLMNET以及IM、TSIM模型2 CHEN T,HET. Higgs Boson Discovery with boosted等不同方法对销售额的预测结果,表明 Xgboosτ方TreesLCI.JMLR: Workshop and Conference Proceed法无论是训练速度还是在 RMSPE评价标准上都具2015.42:6980有明显的优势。3 ROBERT E. Banfield, Lawrence (. Hall. Kevin WBowyer. W. P. Kegelmeyer, A Comparison of Decision为了进一步提高 Boost预测模型的精度和泛Tree Ensemble Creation Techniques LI]. IEEE Trans-化能力,本文通过大量的特征工程,尝试多种模型的actions on Pattcrn Analysis and machinc intelligence集成学习方法和参数调优,利用 GLMNET和Xg2007,29(1):173-180boost模型拟合残差,并结合IM、TSLM在趋势和[]李航.统计学习方法[M]北京:清华大学出版社,李节性预测的优点,获得组合优化模型。实验表明2012该组合模型在性能上优于单一 Boost预测模型。[5]闻玲·移动平均季节模型在商品销售收入预测中的应这种基于Xⅹ gboost的组合模型不仅适用于对德AJ. Market Modernization, 2010(28):43-45国零售业销售额的预测还可以将此方法应用于国6黄伟陶俊才.一种基于k- means聚类和关监督学习内零售实体业甚至电商平台的销售额预测,对于提的医学图像分割算法[J].南吕大学学报(理科版),2(14,33(1):31-35高商店的运营生产模式、日常管理、价格管理、配送[7 RICE J Mathematical Statics and Data Analysis[M]方式及精准营销具有重要的意义cand Edition, Plymouth: Duxbury Press, 2006: 221-21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net

李飞飞深度学习中文笔记完整版，包括全部的9个笔记，翻译的很好，适合打印

ARM开发环境MDK目前最新版V5.26注册机Keygen，这个注册机支持当前的所有版本，包括当前最新的5.26，而且使用这个注册机，不再需要注册RL-ARM，就可以直接使用MDK中带的emWin。该工具仅供广大学习爱好者学习使用，学习结束后请主动删除工具，请勿用于商业用途，如果觉得开发环境对你用处很大，鼓励大家学习后购买官方开发环境使用。本人亲测V5.26成功激活。特别提醒：使用该工具时，MDK必需使用管理员权限运行，否则会失败。

JavaWeb与数据库综合设计，宿舍管理系统源码，可运行，里面包含数据库sql文件。测试环境：1、tomcat7.02、Mysql5.63、开发工具Eclipse下载以后只需要修改一下数据库连接用户名和密码，配置一下数据库就行。

本文件为电动汽车充电桩的一个simulink仿真图，采用了隔离式的DC/DC环节

主要是对相干源DOA估计中的四阶累积量music算法的matlab实现

xure RP 8入门手册 完整版，小楼著，全的序这本书是我自己最期待的一本书。这并不是说我的另外一本书《 Axure rP8实战手册》写得不好,而是从这本书的构思及面向的读者来讲,这本书会让我更有成就感。《 Axure rP8实战手册》是以案例为主导的一本书,全书囊括了Web与App原型设计的110个案例,并且按照由浅至深的规则结合清晰的知识结构进行案例的排布。同时,考虑到初学者的上手难度,在书的第一部分安排了56项基础操作内容。可以说,《 Axure RP8实战手册》是目前的 Axure书籍中,案例较多、实际应用参考性较强的一本书。但是,以案例为主导的书不能适合所有读者,对于初学者来说课堂比图书馆更适合学习。那么,本书就可以用课堂来形容。从我的《 Axure RP7.0从入门到精通》一书出版上市之后,我更清楚地看到了读者的需求。我把这些需求及教学中总结出的一些新的思路,再加上一些写作方法上的创新,全部融合到这本书当中。总的来说,这本书有以下特点与优势。1.主线清晰。和一般的工具书不同,本书并不是枯燥地罗列知识点,对各种功能进行文字解释,而是以一条由浅至深的路线,循序渐进地展开讲述。读老在学习过程中,只需按照由前至后的顺序阅读并配合练习,即可轻松学握各类知识要点,实现学习目标。2.层次清晰。学以致用是本书的原则。作者考虑读者的需求,将书中内容与工作需求紧密结合内容上分为基础与进阶两部分。读者在工作中如果只是需要做静态线框图(低保真原型),在学习完基础部分之后,即可满足工作需求。如果需要为原型添加丰富的交互(高保真原型),则可以通过继续学习进阶部分,来加强原型交互实现的能力。3.结构清晰。结合读者的反馈,本书的知识结构分布上做了吏清晰的划分,特别是在目录结构上,除了章节目录还单独增加了案例目录,能够让读者更加方便查阅到需要参考的内容。4.情景真实。这是保留了《 Axure RP7.0从入门到精通》一书的优点,通过虚拟人物让滨者更加感同身受,口语化的知识问答,更适合读者理解知识内容。本书特别征集了多位真实人物的头像,让读者在阅读过程中体验更加真实,更有亲切感。5.案例丰富。作者结合知识内容,融入了大量的实战案例,共计70个,虽然没有标明具体出处,但是读者能够从各个知名网站或者Ap中发现与这些案例相似的交互效果。这些案例都紧紧结合知识点的分布,所有案例出现时,都基于当前所讲述的知识点和读者已经学过的知识点,不会有陌生内容的存在,让读者能够轻松完成案例的练习。6.资源丰富。本书所有的案例源文件、素材、元件库、汉化包等资料,全部奉献给每一位读者。考虑到带有光驱的计算机越来越少,这些资料将通过网络进行传递,读者可以根据书中的提示进行相关资源的下载。综上所述,每一个特点与优势,都是我期待这本书上市的理由。我希望看到每一位读者轻松学习的喜悦,而不是难于上手和理解的苦恼。我想,能够心系读者,从真正有益于读者的角度去撰写一本书,是作为作者的责任与骄傲。内容导读本书共分为2篇。第1篇:基础部分。包含了1~9章的内容,共计17个案例。读老通过对这一部分内容的学习,就能够掌握软件的使用方法,熟悉原型项目的构建,以及带有简单交互的低保真原型的制作。第1章:讲述软件的安装与汉化,以及一些重要的注意事项。第2章:讲述如何结合思维导图软件创建项目结构。第3章:讲述元件与元件库的基本操作与用途。第4章:讲述原型的查看与各种发布共享方法。第5章:讲述原型尺寸的设定以及对多种设备的适配。第6章:讲述通过概要功能进行页面与元件的管理,以及使用检视功能,对页面与元件进行属性、样式以及说明的设置。第7章:讲述母版功能的使用,通过母版进行原型内容的重用,提高原型制作效率。第8章:讲述标记元件的使用,以及业务流程图的绘制方法。第9章:讲述一些其它软件功能的使用方法。第2篇:进阶部分。包含10~15章的内容,共计53个案例。读者可以在这一部分学习更加深入的内容,包括复杂的元件、变量以及函数等内容。通过学习这些内容掌握更多的原型制作技巧,不但能够学习高保真原型的制作,乜能从中获得各种实战应用的参考。第10章:讲述动态面板的原理与各种特性。第11章:讲述公式的格式与自定义变量的使用。第12章:讲述条件的编辑,运算符的作用,以及条件表达式的书写。第13章:讲述系统变量与函数的使用方法,通过结合系统变量、函数实现各种交互效果的案例,体现函数在提升原型的制作效率、保真度、扩展性方面的优势与特点。第14章:讲述中继器的原理,以及与中继器有关的交互。第15章:讲述中继器相关的系统变量,并结合这些系统变量实现更多的中继器交互效果。最后提醒读者,如果是初学者,务必按前后顺序学习本书的内容,切勿跳跃学习,以免产生学习障碍。编辑的话感谢小楼老师的信任和邀请,让我从编辑的角度谈一谈这本书与小楼老师认识并合作,是一种缘分。其实我们刚开始合作时并不顺利,原因是小楼老师实在太“固执”了。从书稿内容到随书配套资源,再到排版、封面设计的讨论,凡是小楼老师认为需要坚持的东西,他都不会做任何让步。我们曾针对案例演示图片应该用何种线条来标注更适合读者理解、演示步骤时用箭头引导还是数字符号标注表达更清楚等问题,连续在线讨论了两天,确切地说,是争论。如果我们当时是面对面讨论的话,可能争论到最后双方都是面红耳赤,要拍案而起了。更不论《 Axure RP8实战手册》这本书的写作原稿近800页,排版时我们因为版式设计的问题,一遍又一遍推倒方案重来。一方面我需要考虑控制图书页数,保证图书成本、定价不能过高,另一方面小楼老师又要坚持保障读者阅读和学习的质量不被影响,拒绝采用双栏排版的方式。以致我们争论到最后,一度接近终止合作的边缘可又是这种“固执”,让我看到一位作者对图书内容的坚持、对产品品质的追求和对读者的负责。也是这种“固执”,让我每次出版小楼老师的书后都仿佛被“剥掉一层皮”,却对这样的作者更加钦佩和珍惜。小楼老师在每一本书里,都倾注了太多的时间和心血,这一本更不必说。因为看到太多写作背后的故事,所以,每一次书稿拿在我手里,都并不轻松。这本书在写作时,恰逢 Axure软件新版本测试阶段,正式版发布后,软件界面样式进行了一些细微调整。但为了严格保证书内的操作截图与软件界面完全一致,使读者在学习过程中不会因此产生任何疑惑或遇到任何困难,小楼老师将书内90%的图(与正式版界面有细微差别)换了一遍。他告诉我这个消息时是当天下午5点多,已经改了近20小时,只改了全书四分之一。之后很快提交了全部的更新版图片。类似这样的事,在小楼老师的写作过程中很常见,单是这本书内由于官方史新版本导致界面细节有调整而全书吏换图片的经历就有过3次。而在案例的选取、教学设计、源文件制作、图片标注、步骤讲解过程中,更能感受到作为一名作者的“死磕”和用心。在《 Axure RP7.0从入门到精通》和《 Axure RP8实战手册》相继取得成功,一跃成为 Axure软件教程类书籍中被业内首推和高度受读者认可的学习资料后,小楼老师本可以直接在现有教程的内容结构和教学方式设计的基础上,通过直接添加新版本的内容、更新界面图片,快速地完成《 Axure rP80从入门到精通》的写作。不过,这显然不能达到小楼老师对自己苛刻的要求。事实上,每一部作品都是他对自己的颠覆。前两本书出版后,我们建立了相应的读者QQ群,另外,还有小楼老师的网站Axure原创教程网)等,从这些渠道,小楼老师搜集到读者对前两本书的学习反馈和建议,然后根据这些反馈,将自己的教学方式、知识结构、案例内容等全部重构一遍。这本书对于小楼老师来说,不仅只是将操作过程和技巧讲述一遍,他更希望通过这本书,让读者达到在课堂上的学习效果,仿佛老师就在身边—对—地耐心讲解,在讲授技巧的同时,更注意因材施教,分别对不同学习阶段、不同基础的读者人群讲解基础操作、高阶技巧,以及如何将书本里的知识与实际工作直接结合。所以,这本书,不仅对于读者来说是一部不可错过的 Axure re8.0教程,对于小楼老师来说,更是倾尽自己所有的心思、时间和精力,细细打磨出的一个产品。小楼老师说,这本书是他最为期待的本教程。对于我,又何尝不是呢?与小楼老师的合作,是一段弥足珍贵的经历,其中点点滴滴透露的,不仅是稿件上的精致图文内容,更多是做产品的态度。本书的读者,多少都是与产品相关的,相信你读完这本书后,收获的远不止于对 Axure这款软件的精通使用。目录第1篇基础第1章准备工作与注意事项161.1下载安装 Axure rp8:0………………1.1.1W/ indows系统的安装与汉化………1.1.2Mac系统的安装与汉化1.2原型相关的文件类型…191.3文件自动备份与找回1914功能区域的视图设置20第2章创建项目结构…………………………212.1使用 Xmind进行项目结构梳理2.2根据思维导图搭建原型页面结构…···.·,垂,,,非,垂26》第3章元件功能概述273.1鼠标的操作…283.2元件的使用293.2.1使用软件自带元件库3.2.2使用自定义元件库第4章查看原型…354.1机预览…364.2共享发布4.3在线反馈404.4 Axure Share App…414.5生成文件4446浏览器插件4.7工具栏介绍…49第5章创建自适应视图…………515.1不同设备的原型尺寸5创建不同设备的视图··53移动设备的浏览设置》第6章概要与检视功能596.1概要功能62检视功能一一页面样式626.3检视功能一一页面说明…6564检视功能——页面属性1垂·······,·垂656.5检视功能一一元件命名666.6检视功能—一元件样式6767检视功能—一元件说明·,中·垂··6.7.1添加元件说明6.7.2自定义说明字段746.8检视功能——元件属性7469检视功能—一元件交互……876.10检视功能——组合属性》第7章母版管理957.1母版简介………………………………………………………967.2添加/编辑/删除967.3添加母版到页面中9774从贞面中移除母版·977.5拖放行为单··,··987.6自定义触发事件第8章标注与流程……………………1038.1页面快照8.2便签与标记1058.3连线与箭头108≯第9章其他1139.1自定义元件库…1149.1.1创建元件库………………114912制作自定义元件1159.1.3使用元件库11692白定义形状………………………………1179.3钢笔工具………………12094裁剪与切割图片…12095网格与辅助线…1229.6团队项目……………1249.7图标字体1309.8Web字体…1319.8.1@ font faco代码13198.2链接到“CSS”文件134第2篇进阶第10章动态面板13810.1动态面板简介…13910.2动态面板特性——容器14110.3动态面板特性—多状态15010.4动态面板特性——循环·...··,··中·····,·,···………………15410.5动态面板特性——拖动……15810.6动态面板特性——适应宽度……16010.7动态面板特性相对固定161≯第11章公式与自定义变量16411.1公式的格式………16511.2自定义变量——局部变量…………16611.3自定义变量——全局变量174第12章条件与表达式……18412.1条件的编辑185122条件的类型19412.3运算符与表达式20912.3.1算术运算符……………123.2关系运算符4·B············20912.3.3逻辑运算符第13章系统变量与函数…21613.1概念简介21713.2元件布垂垂垂垂.·垂,中,·章章·,垂垂………21913.3鼠标指针…24813.4窗冂页面……25313.5数字…25913.6数学26313.7口期………27013.8字符串277》第14章中继器…··甲28714.1中继器的组成…∴…28814.2数据集——添加行30314.3数据集一一更新行…………………………………………………31314.4数据集一一删除行31614.5数据集——标记行与取消标记行32314.6项目列表——排序……34014.7项目列表——筛选,··.···垂垂和中·,非·非中垂垂··p,···非··347148中继器的属性…358》第15章中继器的系统变量36715.1系统变量——中继器…36815.2系统变量——数据集………………………………………383写在最后39210

FANUC FOCAS2 的动态库，里面含64位和32位的驱动，如果使用internet连接发那科机床，这个是必须。 全网最新，右键可以看到是4.7版本，支持更多机床。