N8_679986
注册时间：2022-03-30 09:16:23
Ta的资源
Learning Spring Boot
This book is aimed to help developers who are new to Spring Boot get up and
running quickly in the arena of Spring app development. It is also for experienced
Spring developers, as it shows how to remove low-level boilerplate and instead focus
on building functional apps while learning how to override Boot's
开发工具：
大小：3.6MB
2022-05-27 20:09:06上传
ecs部署者
用于执行以下操作的用于部署到Amazon ECS的简单python脚本。
构建和/或标记您的Docker映像。
更新现有任务定义。
运行一次性任务。
使用新的任务定义引用更新服务。
AWS凭证必须可用作环境变量。 使用awscli包来调用所需的函数。
需要Python 3.5以上版本。
开发工具：
大小：6.5KB
2022-05-27 17:47:22上传
Haproxy-2.1.3.tar.gz最新下载
下载地址：http://www.haproxy.org/download/2.1/src/haproxy-2.1.3.tar.gz
开发工具：
大小：2.6MB
2022-05-26 20:46:19上传
CFML-Pi-Hat:运行由CFML驱动的Raspberry Pi Hat的代码
CFML皮帽
以此启动和运行的最快，最简单的方法是下载并安装CommandBox。
然后按照以下步骤操作：
分叉仓库
在本地git clone {{repo_url}}
cd进入目录
运行以下命令： box server start
服务器启动时访问终端中给出的URL，例如127.0.0.1:50443
仿真器
该项目具有仿真器，可帮助您在回馈该项目之前测试和运行动画。
有关详细信息，请参见/emulator文件夹中的README.md。
开发工具：
大小：13.9KB
2022-05-26 17:49:34上传
matlab声音信号相位代码-Multi-Fidelity-ML:用于火焰模型识别的多保真机器学习策略的项目源代码和数据
matlab声音信号相位代码一种识别火焰模型的多保真高斯过程方法
1.
亮点
提出了一种新的基于机器学习的策略，以有效降低火焰模型识别中的不确定性，从而确保可靠的燃烧器设计和分析。
该策略依赖于多保真高斯过程模型，该模型有效地聚合了低/高保真识别结果并平衡了计算工作量和准确性之间的权衡。
我们在从测试台获取的数据上成功测试了多保真策略。
我们的结果表明，给定相同的计算预算，所提出的策略在全局范围内产生更准确、更稳健的火焰模型识别。
这项工作最初在会议上发表，后来被期刊接受：
Guo
S.、Silva
CF、Polifke
W.，通过多保真高斯过程方法对火焰频率响应进行鲁棒识别。
声音与振动杂志，2021
年。
2.
动机
火焰模型构成了燃烧不稳定预测中不确定性的主要来源。
这种不确定性通常源于噪声时间序列数据的模型识别不完善。
最先进的识别方法要么准确但速度非常慢，要么速度快但包含很大的不确定性。
3.
方法论
我们旨在通过提出一种多保真机器学习方法来识别火焰模型，从而充分利用各自的优势，同时避免最先进方法的弱点。
这种方法吸收了低保真结果提供的全局趋势和高保真结果提供的局部估计，从而
开发工具：
大小：17.1MB
2022-05-25 23:13:53上传
APU Metrological Managment(1).zip
实现查询、链接、删除、更新等内容，并且能够更新mysql数据库
开发工具：
大小：1.8MB
2022-05-25 20:49:18上传
百位内加减乘除算法大赛php版.rar
一个很好玩的游戏。
程序自动生成一个图片表达式，根据此表达式的内容，算出结果。（可根据此原理开发验证码）
（本程序需要php的gd库支持才能运行）
开发工具：
大小：183KB
2022-05-25 18:12:00上传