电信计费项目 该系统在Sun Solaris下开发,运行于Apache Tomcat平台,采用J2EE架构，基于Struts、Hibernate、Spring技术或EJB组件技术以及Oracle 9i数据库系统。该系统后台主要由数据采集系统和数据整合系统提供支持,前台部分主要分为用户自服务管理，资费管理，用户管理，管理员管理，帐单管理，帐务管理6个模块。 该系统后台部分包括数据采集系统（包括采集模块和接受模块）和数据整合系统；它们实现的功能是：1.定期采集（次/小时）原始计费LOG（wtmpx)文件，整理成BIDR数据清单，并上传给中心处理系统。2.中心处理系统（接收模块）侦听并收集采集系统发送的数据信息BIDR，并通过PROC将数据保存到数据库明细表t_detail_X中，在发送和接受过程中主要采用Unix C/C++（socket）实现。3.通过t_detail_X表完成天整合表t_day_X，月整合表t_month_X，年整合表t_year_X的实现。
标签： Solaris Apache Tomcat J2EE
上传时间： 2013-12-02
上传用户：a6697238
Description Scientific calculator. Allows to perform caclulation with high precicion and implements most populatr mathematical functions: sin, cos, tan, asin, acon, atan, exp, LOG, sqr, floor and ceil. Also it make it possible to define your own function, store results in variables and use variable sin expressions. Calculator store al formuls you have entered. Plot function can be used to draw graph of function with single argument. More detailed description of calculator is here.
标签： Description caclulation Scientific calculator
上传时间： 2014-01-25
上传用户：familiarsmile
用Quartus II 8.0（32bit），NIOS编译环境下，用TFT做的一个数码相框，附加原理图和veri-LOG程序代码
上传时间： 2017-09-17
上传用户：shinesyh
turbo仿真的matlab源代码，可以选择是否进行删余，LOG-map,sova等编码形式
上传时间： 2017-04-24
上传用户：wanmorelove
photoshop软件（本例中使用CS5版本，当然各版本界面都大同小异） 界面篇 1 首先我们打开photoshop软件，界面就如下图所示了： 2 左侧的是工具箱调板，我们可以用鼠标单击相应的工具进行图片处理操作，鼠标右击可以进行某一工具选择（再使用熟练后，我们也可以按下相应的键盘键进行选择），如图： 3 右侧的是窗口调板，我们可以点击菜单中的窗口菜单，在下拉列表中选择我们需要的窗口调板，如图： 4 顶部的菜单栏中包含了全部photoshop常用的操作，我们不必去死记硬背，只要平时常用就会烂熟于心了。 5 在菜单栏的下方是属性栏，显示当前我们正在使用的工具的属性，如图： END 常用操作 1 打开一张图片，方法有三种：①使用菜单里面的打开命令；②使用快捷键Ctrl+O；③双击photoshop界面中心；④拖动想要处理的图片到photoshop中打开；⑤右键选择要处理的图片选择使用photoshop打开命令。 2 保存图片的方法：一般按下键盘上的快捷键Ctrl+S，或使用菜单保存命令（如果要另存的话就选择另存为选项；保存的图片可以选择任意格式，.psd是保存当前处理的所有步骤，下次打开还可以继续编辑，JPEG、png、gif格式就是处理好的图片格式） 3 历史记录面板的用法：我们处理图片的时候可能要反复修改获得最佳的效果，那么历史记录工具就可以很方便的返回之前我们的操作状态，如图，点击要恢复的步骤，即可恢复图片： END 使用技巧 如图所示黑色是前景色、白色是背景色，我们可以按下键盘上的X键进行前景色和背景色的互换： 图片移动操作，我们打开两张图片，想要移动其中的一张到另一张中，我们可以按住键盘的Ctrl键，使用鼠标拖动一张图片到另一张图片中，如图： 3 我们可以在处理图片的时候按下Z键使用放大镜放大图片的细节，处理图片的时候就会容易许多，我们可以按ATL键在放大和缩小之间切换！ 4 我们可以按住键盘上的空格键，移动图片，对于处理大型的图片还是非常方便的！ END 注意事项 photoshop入门相对来说比较简单，但熟练操作至少要3个月左右！ 精通photoshop是一条非常漫长的路程，有时候会打退堂鼓，但只要多操作，多制作，慢慢的时间久了也就精了。
上传时间： 2017-12-07
上传用户：1506034115
photoshop软件（本例中使用CS5版本，当然各版本界面都大同小异） 界面篇 1 首先我们打开photoshop软件，界面就如下图所示了： 2 左侧的是工具箱调板，我们可以用鼠标单击相应的工具进行图片处理操作，鼠标右击可以进行某一工具选择（再使用熟练后，我们也可以按下相应的键盘键进行选择），如图： 3 右侧的是窗口调板，我们可以点击菜单中的窗口菜单，在下拉列表中选择我们需要的窗口调板，如图： 4 顶部的菜单栏中包含了全部photoshop常用的操作，我们不必去死记硬背，只要平时常用就会烂熟于心了。 5 在菜单栏的下方是属性栏，显示当前我们正在使用的工具的属性，如图： END 常用操作 1 打开一张图片，方法有三种：①使用菜单里面的打开命令；②使用快捷键Ctrl+O；③双击photoshop界面中心；④拖动想要处理的图片到photoshop中打开；⑤右键选择要处理的图片选择使用photoshop打开命令。 2 保存图片的方法：一般按下键盘上的快捷键Ctrl+S，或使用菜单保存命令（如果要另存的话就选择另存为选项；保存的图片可以选择任意格式，.psd是保存当前处理的所有步骤，下次打开还可以继续编辑，JPEG、png、gif格式就是处理好的图片格式） 3 历史记录面板的用法：我们处理图片的时候可能要反复修改获得最佳的效果，那么历史记录工具就可以很方便的返回之前我们的操作状态，如图，点击要恢复的步骤，即可恢复图片： END 使用技巧 如图所示黑色是前景色、白色是背景色，我们可以按下键盘上的X键进行前景色和背景色的互换： 图片移动操作，我们打开两张图片，想要移动其中的一张到另一张中，我们可以按住键盘的Ctrl键，使用鼠标拖动一张图片到另一张图片中，如图： 3 我们可以在处理图片的时候按下Z键使用放大镜放大图片的细节，处理图片的时候就会容易许多，我们可以按ATL键在放大和缩小之间切换！ 4 我们可以按住键盘上的空格键，移动图片，对于处理大型的图片还是非常方便的！ END 注意事项 photoshop入门相对来说比较简单，但熟练操作至少要3个月左右！ 精通photoshop是一条非常漫长的路程，有时候会打退堂鼓，但只要多操作，多制作，慢慢的时间久了也就精了。
上传时间： 2017-12-07
上传用户：1506034115
Introduction jSMPP is a java implementation (SMPP API) of the SMPP protocol (currently supports SMPP v3.4). It provides interfaces to communicate with a Message Center or an ESME (External Short Message Entity) and is able to handle traffic of 3000-5000 messages per second. jSMPP is not a high-level library. People looking for a quick way to get started with SMPP may be better of using an abstraction layer such as the Apache Camel SMPP component: http://camel.apache.org/smpp.html Travis-CI status: History The project started on Google Code: http://code.google.com/p/jsmpp/ It was maintained by uudashr on Github until 2013. It is now a community project maintained at http://jsmpp.org Release procedure mvn deploy -DperformRelease=true -Durl=https://oss.sonatype.org/service/local/staging/deploy/maven2/ -DrepositoryId=sonatype-nexus-staging -Dgpg.passphrase=<yourpassphrase> LOG in here: https://oss.sonatype.org click the 'Staging Repositories' link select the repository and click close select the repository and click release License Copyright (C) 2007-2013, Nuruddin Ashr uudashr@gmail.com Copyright (C) 2012-2013, Denis Kostousov denis.kostousov@gmail.com Copyright (C) 2014, Daniel Pocock http://danielpocock.com Copyright (C) 2016, Pim Moerenhout pim.moerenhout@gmail.com This project is licensed under the Apache Software License 2.0.
上传时间： 2019-01-25
上传用户：dragon_longer
%球体 close all; G=6.67e-11; R=2;%球体半径 p=4.0;%密度 D=10.0;%深度 M=(4/3)*pi*R^3*p;%质量 x=-20:1:20; g=G*M*D./((x.^2+D^2).^(3/2)); Vxz=-3*G*M*D.*x./((x.^2+D^2).^(5/2)); Vzz=G*M.*(2*D^2-x.^2)./((x.^2+D^2).^(5/2)); Vzzz=3*G*M.*(2*D^2-3.*x.^2)./((x.^2+D^2).^(7/2)); subplot(2,2,1) plot(x,g,'k-'); xlabel('水平距离(m)'); ylabel('重力异常值'); title('球体重力异常Δg'); grid on subplot(2,2,2) plot(x,Vxz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vxz'); grid on subplot(2,2,3) plot(x,Vzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzz'); grid on subplot(2,2,4); plot(x,Vzzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzzz'); grid on %% %水平圆柱体 close all G=6.67e-11; p=10.0;%线密度 D=100.0;%深度 x=-200:1:200; g=G*2*p*D./(x.^2+D^2); Vxz=4*G*p*D.*x./(x.^2+D^2).^2; Vzz=2*G*p.*(D^2-x.^2)./(x.^2+D^2).^2; Vzzz=4*G*p.*(D^2-3.*x.^2)./((x.^2+D^2).^3); subplot(2,2,1) plot(x,g,'k-'); xlabel('水平距离(m)'); ylabel('重力异常值'); title('水平圆柱体重力异常Δg'); grid on subplot(2,2,2) plot(x,Vxz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vxz'); grid on subplot(2,2,3) plot(x,Vzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzz'); grid on subplot(2,2,4); plot(x,Vzzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzzz'); grid on %% %垂直台阶 G=6.67e-11; p=4.0;%密度 h1=50.0;%下层深度 h2=40.0;%上层深度 x=-100:1:100; g=G*p.*(pi*(h1-h2)+x.*LOG((x.^2+h1^2)./(x.^2+h2^2))+2*h1.*atan(x./h1)-2*h2.*atan(x./h2)); Vxz=G*p.*LOG((h1^2+x.^2)./(h2^2+x.^2)); Vzz=2*G*p.*atan((x.*(h1-h2))./(x.^2+h1*h2)); Vzzz=2*G*p.*x*(h1^2-h2^2)./((h1^2+x.^2).*(x.^2+h2^2)); subplot(2,2,1) plot(x,g,'k-'); xlabel('水平距离(m)'); ylabel('重力异常值'); title('垂直台阶重力异常Δg'); grid on subplot(2,2,2) plot(x,Vxz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vxz'); grid on subplot(2,2,3) plot(x,Vzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzz'); grid on subplot(2,2,4); plot(x,Vzzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzzz'); grid on %% %倾斜台阶 G=6.67e-11; p=4.0;%密度 h1=50.0;%下层深度 h2=40.0;%上层深度 a=pi/6;%倾斜角度 x=-500:1:500; g=G*p.*(pi*(h1-h2)+2*h1.*atan((x+h1*cot(a))./h1)-2*h2.*atan((x+h2*cot(a))./h1)+x.*sin(a)^2.*LOG(((h1+x.*sin(a).*cos(a)).^2+x.^2.*sin(a)^4)./((h2+x.*(sin(a)*cos(a))).^2+x.^2.*sin(a)^4))); Vxz=G*p.*(sin(a)^2.*LOG(((h1*cot(a)+x).^2+h1^2)./((h2*cot(a)+x).^2+h2^2))-2*sin(2*a).*(atan((h1/sin(a)+x.*cos(a))./(x.*sin(a)))-atan((h2/sin(a)+x.^cos(a))./(sin(a).*x)))); Vzz=G*p.*(0.5*sin(2*a)^2.*LOG(((h1*cot(a)+x).^2+h1^2)./((h2*cot(a)+x).^2+h2^2))+2*sin(a)^2.*(atan((h1/sin(a)+x.*cos(a))./(x.*sin(a)))-atan((h2/sin(a)+x.*cos(a))./(x.*sin(a))))); Vzzz=2*G*p*sin(a)^2.*((x+2*h2*cot(a))./((h2*cot(a)+x).^2+h2^2)-(x+2*h1*cot(a))./((h1*cot(a)+x).^2+h1^2)); subplot(2,2,1) plot(x,g,'k-'); xlabel('水平距离(m)'); ylabel('重力异常值'); title('倾斜台阶重力异常Δg'); grid on subplot(2,2,2) plot(x,Vxz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vxz'); grid on subplot(2,2,3) plot(x,Vzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzz'); grid on subplot(2,2,4); plot(x,Vzzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzzz'); grid on %% %铅锤柱体 G=6.67e-11; p=4.0;%密度 h1=50.0;%下层深度 h2=40.0;%上层深度 a=3;%半径 x=-500:1:500; g=G*p.*((x+a).*LOG(((x+a).^2+h1^2)./((x+a).^2+h2^2))-(x-a).*LOG(((x-a).^2+h1^2)./((x-a).^2+h2^2))+2*h1.*(atan((x+a)./h1)-atan((x-a)./h1))-2*h2.*(atan((x+a)./h2)-atan((x-a)./h2))); Vxz=G*p.*LOG((((x+a).^2+h1^2).*((x-a).^2+h2^2))./(((x+a).^2+h2^2).*((x-a).^2+h1^2))); Vzz=2*G*p.*(atan(h1./(x+a))-atan(h2./(x+a))-atan(h1./(x-a))+atan(h2./(x-a))); Vzzz=2*G*p.*((x+a)./((x+a).^2+h2^2)-(x+a)./((x+a).^2+h1^2)-(x-a)./((x-a).^2+h2^2)+(x-a)./((x-a).^2+h1^2)); subplot(2,2,1) plot(x,g,'k-'); xlabel('水平距离/m') ylabel('重力异常值') title('铅垂柱体重力异常') grid on subplot(2,2,2) plot(x,Vxz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vxz'); grid on subplot(2,2,3) plot(x,Vzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzz'); grid on subplot(2,2,4); plot(x,Vzzz); xlabel('水平距离(m)'); ylabel('导数值'); title('Vzzz'); grid on
上传时间： 2019-05-10
上传用户：xiajiang
vb写的DNF外挂，采用DLL劫持方式。源码直接可以编译，默认为LOG.GLL，可以修改成其他名字放入DNF目录，进入游戏即可使用。
上传时间： 2019-07-26
上传用户：sdo999
This paper presents a Hidden Markov Model (HMM)-based speech enhancement method, aiming at reducing non-stationary noise from speech signals. The system is based on the assumption that the speech and the noise are additive and uncorrelated. Cepstral features are used to extract statistical information from both the speech and the noise. A-priori statistical information is collected from long training sequences into ergodic hidden Markov models. Given the ergodic models for the speech and the noise, a compensated speech-noise model is created by means of parallel model combination, using a LOG-normal approximation. During the compensation, the mean of every mixture in the speech and noise model is stored. The stored means are then used in the enhancement process to create the most likely speech and noise power spectral distributions using the forward algorithm combined with mixture probability. The distributions are used to generate a Wiener filter for every observation. The paper includes a performance evaluation of the speech enhancer for stationary as well as non-stationary noise environment.
标签： Telecommunications Processing Signal for
上传时间： 2020-06-01
上传用户：shancjb
