搜索资源列表
DataList
- VB开发的用来实现增量查询的控件源码和使用方法,比combobox好用
dianji
- 利用定时器产生PWM控制电机,并且利用单片机读取增量式编码器的信息控制电机旋转角度
TX_DbFileTrans
- 这时一个文件传输工具,和其它文件传输工具不同,它实现了TCP滑动窗口原理,手工、定时、实时传输文件,并且能按增量方式传输DBF数据库文件。源代码编译之后,立即可以运行,通过配置可以实现服务器和客户端,其功能有很多灵活配置,有拨号功能。是个学习的好东西。
C++MultiThreadProgramming
- 全书分为13章,全面讲解构建多线程架构与增量多线程编程技术。第1章介绍了用于构建面向对象程序的不同类型 C++组件,以及如何使用这些组件来构建多线程架构。第2、3、4章简要介绍进程、线程、多任务处理、多线程化、 规划以及线程优先权的概念。第5章讨论进程间和线程间通信。第6章讨论线程和进程同步与合作,详细讨论临界区 、死锁、数据竞争以及无限延迟方面的主题。第7-10章讲解用于线程同步、线程间通信以及多线程处理
link
- 1、 静态分配的顺序表及增量式分配的顺序表在表示与实现上的差别,各有何特点; 2、 有头结点的链表与无头结点链表在操作实现上的区别; 3、 头插法与尾插法的操作方法及应用效果对比; 4、 插入、删除操作在顺序存储和链式存储上的差别;
PID
- 增量式PID,c 语言下实现的例程。有很好的参考性。
BackUpDB071221
- 用SQLDMO做的SQL数据库备份、还原控件 包括数据库完全备份、增量备份、事务日志备份,及还原
PID_VB
- 用VB实现的PID控制,这里使用的是PID的增量控制式.
PID
- 增量型PID算法汇编程序,增量式PID算法的输出量为 UnΔ = Kp[(en-en-1)+(T/Ti)en+(Td/T)(en-2*en-1+en-2)] 式中,en、en-1、en-2分别为第n次、n-1次和n-2次的偏差值,Kp、Ti、Td分别为比例系数、积分系数和微分系数,T为采样周期。
ADM-LDM
- 基于自适应增量调制和线性增量调制的原理,用matlab实现LDM和ADM,并比较两者之间的优缺点
BianMaQi
- 增量式编码器数据采集及方向识别(原理及实现)
TIMESCIIR
- 利用LPC2104内部的RTC的增量功能进行1S的定时,当定时时间到时,取反LED控制。
软件集成测试工作指南
- 集成测试的目的是确保各单元组合在一起后能够按既定意图协作运行,并确保增量的行为正 确。它所测试的内容包括单元间的接口以及集成后的功能。使用黑盒测试方法测试集成的功 能。并且对以前的集成进行回归测试。-integration testing is designed to ensure that the modules can be combined according to the established after intention
areca-5.5.7-a-src
- 用java写的文件备份程序,支持数据压缩、加密、增量备份、历史浏览等多种功能。它还提供了不错的机制来确保备份的一致性。
cjunzhiandgudingzengliangfa
- 程序中包含了C均值算法和固定增量法,两方法为聚类的很好的方法.
FolderNameBackupTool
- 文件夹备份工具(c#源代码) 发布时间 2007-12-22 开发环境 VS2005 开源方式 开源代码 软件大小 13KB 简介 编译需要VS2005, VS2008也可以 功能: 备份一个路径下的所有文件到另一个路径 特点是快速,并且是增量备份,并且备份出来的文件与目录的修改时间与源目录完全一样
incremenal_lerning_for_object_tracking
- incremenal lerning for object tracking 增量学习的目标跟踪方法研究讲义。
kuaidi
- 基于J2EE技术的快递信息管理系统的研究 结合当前快递业的背景,使用UML技术分析了快递企业对信息技术的各方面 的需求。在此基础上,提出一个以J 2 E E的软件架构为核心,并结合其他信息技术,如 网络技术,终端技术等,设计一套适用于快递业务的信息系统应用模式。整个过程体现 了统一软件开发过程的用况驱动、构架为中心和增量与迭代的特点。快递信息系统采用 R a t i o n a l R o s e来建模,并在J
391
- 提出了一种新的基于规则的异常检测模型.把系统调用按照功能和危险程度进行了分类,该模型只是针对每类中关键调用(即危险级别为1的系统调用).在学习过程中,动态地处理每个关键调用,而不是对静态的数据进行数据挖掘或统计,从而可以实现增量学习.
391(1)
- 提出了一种新的基于规则的异常检测模型.把系统调用按照功能和危险程度进行了分类,该模型只是针对每类中关键调用(即危险级别为1的系统调用).在学习过程中,动态地处理每个关键调用,而不是对静态的数据进行数据挖掘或统计,从而可以实现增量学习.同时通过预定义,精炼规则,有效地减少了规则数据库中的规则数目,缩减了检测过程中规则的匹配时间.