ACE分离器例子

半透明窗口,短小精悍,使用方便,操作简单! -translucent window, small and easy to use, simple!

电子书店系统使用JSP技术、采用MySQL做系统后台数据库，Dreamweaver为网页制作工具而开发的。系统所具有的前台管理和后台管理两大基本功能模块的功能，主要包括用户登陆、图书查询、查看购物车、定单信息等，并对每个功能模块的实现进行了测试。 系统经测试和试运行后基本达到设计要求，系统的图书查找功能和管理员管理图书功能，将为书店的销售和管理带来极大的方便。

多机任务调度算法[n个任务,m个机器] 该算法用C++语言描述,-This an algrithom for multi-task schedule[n tasks, m machines] , which is implemented by C

这是一个倒计时程序，他会在桌面上保留一个小小的工具条，显示距离某个日子（如考研）还有多少天。拉开程序界面之后，还可以在每一天里面写上数条笔记，记下要做的事情，比如读书计划等。-This is a countdown procedures, he will retain the desktop tools of a tiny show from a particular day (taking tests) how many days. After the proceedings started interface, but also on every day they write a few notes, recording things to do, such as reading programs.

可对GPS数据的RINEX格式文件进行处理!-Of GPS data to RINEX format deal!

设置窗口的图标-Set the icon of a window

Windows ce播放代码

想不想体验一下WINCE，照下面的步骤，你完全可以在你的台式机上运行它。第一步，文件拷贝。你需要拷贝几个必须的文件，nk.bin（WINCE的系统），loadcepc.exe（WINCE加载程序），config.sys（WINCE加载必须的设置），autoexec.bat（没有也行，有了更方便）。例如你把nk.bin和loadcepc.exe拷贝到c:cesys。Config.sys和autoexec.bat需要拷贝到dos启动盘上。第二步，启动到DOS。可以从WIN98下启动到DOS，或者做一个WIN98启动盘进入DOS，或者做一个DOS6.22的启动盘，进入DOS。。。随便你了。第三步，进入到c:cesys，执行loadcepc加载nk.bin。关于loadcepc的具体指令格式，如果你感兴趣，键入loadcepc /?，看看文档，如果你不想费劲，直接键入以下指令：loadcepc /l:800x600x16 nk.bin 。。。。。。 CE系统起来了吗？祝你试用愉快。-Want to try WINCE, following steps list below, you can enjoy it: first, copy files. you should copy nk.bin,loadcepc.exe,config.sys,autoexec.bat(optional). For example, you should copy nk.bin and loadcepc.exe to c:cesys and copy Config.sys, autoexec.bat to DOS bootup disk. Second, run in DOS, you may run into DOS from Win98 or boot from WIN98 bootup disk or DOS6.22 boot disk, as you like. Third, turn to directory c:cesys, execute loadcepc, load nk.bin. If you interist in all command format of loadcepc, type "loadcepc /?" and enter to read document. If

一个关于字符串匹配的算法，已经经过编译，希望对你有帮助-on a string matching algorithm, has been built, want to help you

knn识别手写数字，里面有详细的代码注释，具体讲述了利用knn算法，kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。