搜索资源列表
JAVA的声音处理方法 (转自伊氏女人)-----淘特网
- 数字音频格式有很多种，其质量与采样频率和采样精度两个参数有关。频率的表示单位为赫兹〔Hz〕，它表示每秒采样次数。采样频率越高，音质就越好。采样精度为每次采样所存储的数据数量，它决定每个数字信号所能够表示的离散振幅的数量。存储每个样本的数据越多，音质就越好。但是高品质的声音需要占用大量的内存和磁盘空间。考虑到网络带宽，在Internet连接上传输就需要花费很长的时间。对于Applet来说，保证声音文件的最小化是极为重要的。-digital audio format there are many,
镜像文件合并及恢复镜像方法
- 镜像文件合并及恢复镜像方法，希望对网络存储学习者能有一定启示-image file merger and resume mirroring, in the hope of network storage learners can have a certain amount Inspiration
2006114
- 录音部分是参照vckbase的录音api代码,结合了一小段socket(TCP)就可以用来单方说话录音了,程序分两部分一部分是(录音机+网络发送代码),一部分是(接收数据+播放波形音乐代码),由于程序只是为了自己用,很多地方没有注意错误的识别,结构也比较乱,本程序当初最头疼的就是控制损耗内存,结果用了双缓存来存储波形数据来交替的存储/清除. -part of the recording light vckbase recording api code combination of a small
memory-managing
- 有关磁盘查询，功能设置，网络驱动器映射等存储设备管理功能的VC操作例程源代码实现．-the disk inquiries and functionality. mapping network drives, and other storage management functions of VC operation routines source code to achieve.
myRBF
- 用于语音识别中语音特征的训练网络，其中的输入文件为你的特征存储地址，和训练出的特征的目标位置，其它的不需要改变-for speech recognition voice characteristics of the training network, the input of your document storage feature address, training and the characteristics of the target, the other need not chang
OA
- 本系统包含250多个JavaBean类，整个系统全面实现MVC（模型 视图 控制）三层架构， 大量的应用到了类的反射机制涉及网络编程行业最高精尖技术STRUTS+HIBERNATER，最有说 服力的证实了多层建构框架模式的绝优越性。数据和逻辑处理由STRUTS的模型层Model进行处理， 页面调转由STRUTS的控制层Controller实现,页面负责显示请求和响应，大大增强了“人机”的 互动性，这一层在STRUTS的视图层View用STRUTS标签+HTML等实现，同时使用va
SAN.tar.gz
- san网络存储教程 pdf文档。。。包括NAS,san network storage tutorial pdf documents. . . Including NAS
open-iscsi-2.0-871.tar
- 网络存储协议iscsi，很多大公司的存储产品都使用了此代码。-Network storage protocols iscsi, many large company' s storage products are used in this code.
qyafglxt
- 企业安防管理系统：随着企业的信息化建设不断深入，如今在很多生活领域（如小区物业、企事业单位等）都进行了安全布防，一旦有事件发生时，就可以进行人工或自动报警（如火警、水警等）。特别是大中型企业都加快了信息网络平台的建设；企业正逐步转向利用网络和计算机集中处理管理、生产、销售、物流、售后服务等重要环节的大量数据。 数字视频、音频技术以其高清晰度、易于存储、回放和共享而备受关注，是企业可视信息管理系统的重要组成部分。本系统是基于企业局域网平台针对企业安防、音、视频数据的管理系统。它是传统视频监控系
contiki-2.3
- contiki是开源的，可移植的，针对存储空间受限的网络化嵌入式系统和无线传感器网络的多任务操作系统。-Contiki is an open source, highly portable, multi-tasking operating system for memory-efficient networked embedded systems and wireless sensor networks. Contiki has been used is a variety of project
kfs-0.3.tar
- 来自startup的垂直搜索引擎http://www.kosmix.com/的开源项目，又一个开源的类似google mapreduce 的分布式文件系统，可以应用在诸如图片存储、搜索引擎、网格计算、数据挖掘这样需要处理大数据量的网络应用中。与hadoop集成得也比较好，这样可以充分利用了hadoop一些现成的功能，基于C++。-Applications that process large volumes of data (such as, search engines, grid compu
read
- 利用iscsi网络存储进行硬盘读效率的测试-Iscsi network storage hard disk reading efficiency test
write
- 利用iscsi网络存储进行硬盘写效率的简易测试-Iscsi network storage for the simple test of the hard disk write efficiency
delete-from-sqlserver
- 本实例可在在服务器端使用存储过程删除指定数据， 服务器端数据库为SQLServer数据库，数据库名为cyjlkc，配置ODBC为cyjlkc。 使用本例时，请在服务器端安装SQLServer2000数据库，利用企业管理器恢复数据库脚本或附加数据库。本实例数据库脚本为cyjlkc.sql，附加文件为cyjlkc_data和cyjlkc_long,均保存在本实例data目录下。 使用本实例时要注意以下几点。 1、使用Socket方式和应用程序服务器相连，Socket使用TCP/
LabVIEWBible-class
- 第一章：打开LabVIEW编程之门 第二章：LabVIEW基本函数 第三章：LabVIEW的程序运行结构 第四章：LabVIEW的数据结构及内存优化 第五章：字符串与文件存储 第六章：属性节点、方法节点及引用 第七章：高级控件的运用 第八章：文本编程与外部接口 第九章：Mathscr ipt 第十章：基于组件的程序结构 第十一章：人机交互与编程风格 第十二章：VI模板、设计模式、状态图 第十三章：串并口通讯、网络与DSC 第十四章：数据库、报表
wssd
- 网站名称：网络书店 版本：v1.0 开发工具：Visual Studio 2005 开发语言：C# 开发框架：.NetFramework 2.0 数据库：sql server 2005 其他：借鉴PetShop4.0的三层架构，数据库操作全部使用存储过程，使用NUnit进行数据操作层的测试，并附上开发文档-Site Name: Network Bookstore version: v1.0 development tools: Visual Studio 2005 dev
PacCap
- winpcap网络嗅探技术支持tcp udp 等协议的网络安全技术。抓包后并解析存储功能的实现。-winpcap technical support network sniffer tcp udp protocols such as network security technology. After the capture and parse for storage functions.
NewBreeze-FileSystem
- Linux环境下利用Qt实现的仿Windows7资源管理器GUI程序。 这是国外大牛的开源版，实际使用的在此基础上进行了改良，效果不错，需要做网络存储客户端的兄弟们可以仔细研究下。-Linux environment using Qt implementation of the imitation GUI resource manager Windows7 program.
inline-opd
- 一套简单的PHP网络验证实现 不含数据库 纯文本存储方式 易语言实现()
DDLO算法
- 本文研究了移动边缘计算 (MEC) 网络，其中多个无线设备 (WD) 选择将其计算任务卸载到边缘服务器。为了节约能源并保持 WD 的服务质量，联合卸载决策和带宽分配的优化被表述为混合整数规划问题。然而，该问题在计算上受到维数灾难的限制，无法通过通用优化工具以有效和高效的方式解决，尤其是对于大规模 WD。在本文中，我们为 MEC 网络提出了一种基于分布式深度学习的卸载 (DDLO) 算法，其中使用多个并行 DNN 来生成卸载决策。我们采用共享重放内存来存储新生成的卸载决策，这些决策进一步训练和改进