一、应用组成 前端：vue-projectManage 后台：mycloud-admin 提供前端服务：mycloud 文件在线预览服务：file-online-preview 二、总体设计 2.1 运行环境 编程语言：Java、Mybatis、Spring、SpringBoot、SpringCloud、Node、Vue 开发环境：Windows 10 + Mysql 开发工具：WebStorm、IDEA编译器、Git、Maven 应用部署服务器：SpringBoot内置Tomcat插件 Node服务器：Node v10.15.3 数据库：Mysql v5.5.59 缓存服务：Redis v2.8.9 代码仓库管理系统：GitHub 服务器环境：处理器Core i5以上 2.2 基本处理流程 企业网盘系统的使用者分为企业普通员工和企业管理员，所以具体流程是不一样的。 企业普通员工进入本系统前台主界面后看到的是首页数据，系统右上角有用户的头像和系统公告通知。在首页顶部的位置有个欢迎用户功能，此模块会根据用户登录的时间，人性化的和用户打招呼，比如用户深夜的时候登陆系统，该提示语会提醒“已经深夜了，你还在加班吗，请注意休息！”。当用户点击我的网盘模块后，系统首先会请求一次连接，展示自己网盘里面的文件，该用户可以对文件进行相关的操作。在分享模块中，用户可以选择不同的栏目，分别对已共享、已接收的文件进行查看。当用户进入存储库模块时，单击不同的文档分类以查看已分类的文档，可以对文件进行查询、预览和下载。系统管理员发布通知后，系统前台会在系统右上角进行消息条数的提醒，点击消息红点后，会出现通知下拉列表框，再点击下拉列表里面的查看更多，可以进入更多模块下的系统公告列表页面，在该页面里面，用户可以通过标题关键字，公告发布的时间范围进行搜索，在更多模块下用户可以动态切换系统主题；当用户退出登录后重新登录，系统的主题还可以保留用户退出登录时所选择的主题。 管理员和超级管理员成功登入系统后台后，默认会调到Index页面去，在该首页，我们可以看到登录用户、服务器运行等相关信息。在数据模块中，可以看到最近上传文件的数量，以及最近一段时间的上传曲线图。系统超级管理员可以管理系统所有功能和所有用户。 2.3 模块结构 基于SpringCloud+Hadoop+Vue企业网盘系统主要分为前台和后台两大模块，前台模块分为首页、网盘、分享、资源库、关注用户、系统公告模块，不同的功能模块拥有的功能也是不相同的。此外，所需权限也不同。后台模块分为用户、部门、角色、网盘、日志、系统监控、接口文档、定时任务模块。在网络磁盘管理模块中，管理员可以上传、删除和修改文档，管理员还可以在线查看多媒体资源，如Word文档、视频、音乐、图片等。 2.4 内部微服务调用流程图 三、系统架构 转载自https://github.com/chenxingxing6/cxx-graduation

基于半监督学习和集成学习的情感分析研究 数据 text/JDMilk.arff[tf-idf] 对于baseline 7%作为训练集 30%作为测试集 对于SSL alg 7%作为训练集 63%无标注数据集 30%作为测试集 参考:[高伟女硕士]基于随机子空间自训练的半监督情感分类方法 切分训集和测试集 四折交叉验证 具体做法是：将数据集分成四份，轮流将其中3份作为训练数据，1份作为测试数据，进行试验，最终采用10次结果的正确率的平均值作为对算法精度的估计 显然，这种估计精度的做法具有高时间复杂度 测试标准 准确率(Accuracy) 环境配置 python2.7 scikit,numpy,scipy docker 算法 监督学习(SL)的分类器选择 选择标准:能够输出后验概率的 1.支持向量机(SVC) 2.朴素贝叶斯－多项式分布假设(MultinomialNB) 半监督学习(SSL) 1.Self-Training 最原始的半监督学习算法，但是容易学坏,压根没有改善，甚至更差 Assumption:One's own high confidence predictions are correct. 其主要思路是首先利用小规模的标注样本训练出一个分类器，然后对未标注样本进行分类，挑选置信度(后验概率)最高的样本进行自动标注并且更新标注集，迭代式地反复训练分类器 2.Co-Training 特点：Original(Blum & Mitshell)是针对多视图数据(网页文本和超链接)，从不同视图(角度)思考问题，基于分歧 Original视图为2，分别是网站文本和超链接 p=1,n=3,k=30,u=75 Rule#1:样本可以由两个或多个冗余的条件独立视图表示 Rule#2:每个视图都能从训练样本中得到一个强分类器 视图数量4比较好[来自苏艳文献],每个视图内包含的特征数量m为：总特征数量n/2[来自王娇文献]。但是，普通情感评论文本(nlp)并没有天然存在的多个视图，考虑到情感文本中特征数量非常庞大，利用随机特征子空间生成的方式 [RandomSubspaceMethod,RSM]将文本特征空间分为多个部分作为多个视图 但是视图之间至少得满足'redundant but notcompletely correlated'的条件 因为多个视图之间应该相互独立的，如果都是全相关，那么基于多视图训练出来的分类器对相同待标记示例的标记是完全一样的，这样一来Co-Training 算法就退化成了 self-training 算法[来自高原硕士文献] Ramdom Subspaces 最早来源于Tin Kam Ho的The Random Subspace Method forConstructing Decision Forests论文，for improving weak classifiers. ①来自王娇博士文献叙述 假设原数据特征空间为n维 ,随机子空间为 m 维 ,满足 m < n.设标记数据集有l个数据,即| L| = l. 对任意 p ∈ L ,可写成 p = (p1 , p2 , …, pn),将p投影到这m维张成的空间中 ,得到的向量可写成 psub = ( ps1 , ps2 , …, psm)由所有 l 个 psub组成的向量集合Lsub ,就是标记数据集L在其 m维随机子空间中的投影. 重复此过程 K次 ,得到数据特征空间的 K个不同视图,Lsubk(1 ≤k ≤K) Q:还是没有说清楚投影(切分)和随机这两者怎么实现? ②from wikipedia: 1.Let the number of training points be N and the number of features in the training data be D. 2.Choose L to be the number of individual models in the ensemble. 3.For each individual model l, choose dl (dl < D) to be the number of input variables for l. It is common to have only one value of dl for all the individual models. 4.For each individual model l, create a training set by choosing dl features from D with replacement and train the model. ③出处Tin Kam Ho的The Random Subspace Method forConstructing Decision Forests 来源https://github.com/silbertmonaphia/ml

基于各种机器学习和深度学习的中文微博情感分析 项目介绍 用FastText在语料库上训练并生成词向量, 该任务语料库较小, 用fastText可以增加n-gram特征, 比传统word2vec要好 训练集10000条语料, 测试集500条语料 分别用SVM, Bayes, DNN, LSTM, Attention+BiLSTM, XGBoost等多种模型搭建并训练正负情感二分类器 SVM其实不太适合做NLP, 只是当年我还很菜所以选了SVM Bayes速度快, 效果好。可能是因为该任务语料规模较小,在大规模语料任务上性能会下降,而且磁带模型丢失了语序信息,可拓展性不强 DNN效果不好, 不过现在也很少有直接用DNN做NLP的, 所以这里仅作为从机器学习到深度学习的过渡模型了 LSTM用到了上游训练的FastText词向量, 并且考虑了语序信息, 效果有明显提升 Attention+BiLSTM效果很好, 但相比纯LSTM提升没那么明显，主要是因为该任务相对简单且语料少。迁移至更复杂任务后注意力的强大会越来越明显 XGBoost真是机器学习界的一大杀器, 在这种简单的NLP任务上真是又快又好 对不同话题下的100条微博进行简单的舆情分析(正负情感微博比例) 实验结果 各种分类器在测试集上的测试结果 舆情分析 工程结构 来源https://github.com/dengxiuqi/WeiboSentiment

图像中文字区域提取研究 使用说明 基于swt和mser算法的文本检测，用到了SVM分类器 只限于检测字体较为规范的英文文本 使用时，先运行mser_swt.m文件，再运行detection_Eng.m文件 算法流程 部分实验效果 来源https://github.com/specialdog/Text-Detection

计算机专业认证在线考试系统 功能模块图 技术选型 前端 Html/Css/JavaScript Bootstrap jQuery UploadFive 后端 Spring/SpringMVC/Hibernate Spring Security slf4j/log4j Gson POI Druid 数据库 MySQL ER图 转载自https://github.com/Corvey/Exam-Online

摘要 本设计主要是基于单片机的六足机器人控制系统设计，综合分析六足机器人的结构、步态和控制算法，结合云端服务器、WIFI技术、蓝牙技术、语音识别技术和手势识别技术进行多种控制模式的设计，并提出不同应用场景的不同构建方案。 本系统的硬件设计分为主控板和舵机控制板两部分。主控板主要负责各种控制模式的数据处理和显示，舵机控制板主要负责舵机转动角度的控制，两板通过串口进行数据的交互。主控制板采用STM32F103VET6芯片，舵机控制板采用STM32F103R8T6芯片，两者都基于ARM的Cortex M3内核进行设计的。主控制板的硬件电路设计主要有启动电路、晶振电路、下载电路、复位电路、稳压电路以及各个模块接口电路。在Altium Designer16软件中进行原理图的绘制和PCB的绘制，打样后进行焊接并完成整体的测试。 本系统的上位机主要是手机APP，其开发环境是Android Studio，采用C#作为云端开放平台语言，JAVA语言作为移动客户端设计语言，通过JAVA语言的编写实现手机客户端的数据接收和发送，最终实现基于云端和蓝牙的控制系统上位机板块的设计。本系统下位机的软件设计是在Keil5编程环境下进行的，参考STM32F1的手册和各个模块的数据手册进行程序的编写，最终实现云端控制、蓝牙控制、语音控制和手势控制这四种控制系统设计。 转载自：https://github.com/linyongxinhio/Six-legged-Robot

基于Java 中 SSH 框架的 物流配送管理系统 项目各文件介绍 Logistics_Manage_System项目主文件，也就是该项目你需要导入运行的文件 hibernate_mapping 这个项目文件，是我把这其中的hibernate单独另外拿出来对hibernate进行讲解分析，这个项目文件与物流的项目没有具体关系，只是对hibernate的一个案例分析，运行的话每一个包下都有main主函数，可以直接进行java类的mian函数运行即可，里面有数据库表的一对一、一对多以及多对多的数据关系，可以用来对hibernate学习的参考使用 img 用于有关项目的功能截图以及存放文件 test 这个文件是当时我对项目的一些部分功能测试，可以不做考虑 word 有关该项目的部分文档设计 项目运行准备工作 导入Logistics_Manage_System该项目文件 数据库文件为conf目录下的db.properties，这是导入项目后需要看的第一个文件，也是你项目运行需要唯一注意的文件 项目启动前，看一下db.properties这个文件是不是和你本地的数据库统一（用户名以及密码），我用的是mysql数据库，之后你要创建一个名为logistics的数据库，然后启动项目就好了，数据库表的工作就交给hibernate，它会为你自动创建数据库表的。至此项目启动成功。 因为该项目没有使用Maven工程的构建方式，所以你不需要考虑jar包的问题，项目中所涉及到的jar包都放在了WEB-INF下的lib目录文件下 完成以上的几点你的项目就已经成功跑起来了 项目目录结构介绍 部分效果图展示 转载自https://github.com/hohoTT/Logistics_Manage_System

聊天系统 功能 登陆注册 单聊 群聊 历史消息 图片发送 文件发送 代码片段发送 表情发送 白板协作 音视频聊天 消息已读提醒 好友分组 好友备注 好友上线提醒 在线用户头像高亮 添加好友 添加群聊 朋友圈功能 发表朋友圈 好友朋友圈 朋友圈动态点赞 朋友圈动态评论 朋友圈动态回复评论 日程设置 概要 本系统分为Client，Server，Admin。其中Client为客户端，Server为服务器端，Admin为管理员端。 PC端 1、主页 2、聊天 聊天 已读设置 通知 3、朋友圈 朋友圈 朋友圈评论 4、主题设置 主题 5、日程 日程 新建日程 6、个人中心 设置 移动端 1、登录 2、聊天列表 3、聊天界面 4、图片预览 5、换肤 6、朋友圈 系统功能图 普通用户 管理员 技术路线 本项目为前后端分离的开发模式 客户端使用Vue、VueX、Vue-Router等； 管理员端使用React、antd等； 后端使用的是node.js； 数据库使用的是MongoDB； 实现聊天的数据通信使用的是WebSocket。 启动项目 删除相关代码 这部分代码是在我的数据库里，所以你需要删除或者替换相关代码以防报错 启动服务器（3333端口） 启动客户端（8080端口） 启动管理员端（3000端口） 项目打包 客户端的代码打包后资源默认放在chatServer文件夹的public目录下； 管理员端在chatAdmin的build目录下，需要自己手动将整个build目录复制到chatServer文件夹的public目录下，然后修改build目录文件的index.html，在引入资源路径前都加上/build。 转载自https://github.com/CCZX/wechat

网站描述 本系统是一个地方性旅游网站，后台基于SSM框架，前台使用BootStrap、js、jsp实现，数据库试用mysql； 功能点分析 1）注册成功会发送邮件，封装了邮件的工具类； 2）注册时候会对密码进行MD5加密；同样每次对密码操作都要先加密； 3）分页使用的是jsp自定义标签； 4）上传图片到项目也是封装好了工具类； 5）在线支付调用易宝的支付接口； 6）自定义拦截器对为登陆用户进行拦截； 7）复杂的业务在于一个景点对应多个门票，想要门票显示在对应的景点下方，要先查询出来景点，再对它遍历，根据id去 寻找门票，当时没有对应所有的景点都设置门票，报了空指针异常 8）通过代码上传图片到项目需要手动刷新，否则访问就是404错误 转载自：https://github.com/zmm1225/bdtravel

功能 上传简历||填写简历 投递简历 发布职位 简历打分(基于规则匹配打分) 消息推送 邮件提醒 推荐候选人 推荐职位 使用说明 使用时麻烦将Nacos,ZipKin,Sentinel等组件自行搭建使用，本人服务器性能较差 存储在Nacos中的配置文件在https://github.com/stalary/pf-config 需要自行启动两个本人开源的服务 lightmq(使用lightmq.stalary.com会导致消息被我的服务消费) https://github.com/stalary/lightMQ usercenter(使用usercenter.stalary.com会导致用户数据存储到我的数据库，数据泄漏) https://github.com/stalary/UserCenter 本地启动注意切换Nacos的Namespace，否则会出现本地服务与线上服务服务发现不通的情况，具体参照本人的一篇博客https://www.jianshu.com/p/5c84a1d3b2f9 技术栈 Spring-Boot Spring-Cloud Spring-Cloud-Gateway Spring-Cloud-Sleuth(对业务侵入性较大，建议替换到 Skywalking ) Sentinel Nacos Feign Docker Mysql Mongodb Redis LightMQ EasyDoc WebSocket Jpa UserCenter ElasticSearch 部署方式 docker部署：mvn docker:build & java -jar 物理机部署：mvn install & java -jar via:https://github.com/stalary/microservice-recruit

简介 使用OpenCV for Python图像识别库，运行在树莓派RASPBIAN JESSIE Linux系统平台上，搭配树莓派官方摄像头模块。 运行要求 OpenCV 2.4.9 for Python Python 2.7 v4l2 PyQt4 安装要求 启用v4l2 编译OpenCV 2.4.9 3.安装PyQt4 4.运行 via:https://github.com/hirohe/facerec-python

简介 本文在Spark及图计算引擎GraphX的基础上，设计并实现一套用于顶点分析的社交网络分析系统，为使用Spark进行大规模社交网络的顶点分析提供具体接口，包括社交网络的图模型构建、顶点重要度估值、顶点间路径的计算、顶点分组等接口，并对计算结果进行了一定程度上的可视化展现。主要工作包括两个方面：第一是构建图和数据可视化的实现；第二是具体的顶点分析接口的实现。 目 录 第一章 绪论 1 1.1 国内外研究现状 1 1.2 论文研究内容 1 1.3 论文组织结构 2 第二章 系统相关技术 5 2.1 通用并行框架Spark 5 2.2 图计算框架GraphX 6 2.3 动态图形组件GraphStream 6 2.4 函数式编程语言Scala 6 2.5 本章小结 7 第三章 系统功能性需求分析 9 3.1 系统功能模块 9 3.2 系统用例描述 9 3.3 本章小结 14 第四章 系统概要设计 15 4.1 系统架构 15 4.2 类设计 16 4.2.1 算子子系统 16 4.2.2 可视化对象构建 17 4.2.3 分析演示子系统 18 4.3 功能函数设计 19 4.3.1 图构建 19 4.3.2 整体分析 20 4.3.3 局部分析 21 4.3.4 可视化 22 4.4 本章小结 23 第五章 系统设计与实现 25 5.1 图构建模块 25 5.2 可视化模块 28 5.3 整体分析模块 29 5.3.1 顶点重要程度分析 29 5.3.2 顶点分组 30 5.4 局部分析模块 31 5.4.1 顶点邻居计算 31 5.4.2 顶点到顶点路径计算 33 5.5 本章小结 34 第六章 系统测试 35 6.1 测试数据 35 6.2 测试环境 35 6.3 图构建和可视化测试 36 6.4 分析模块测试 38 6.4.1 顶点重要程度分析 38 6.4.2 顶点分组 40 6.4.3 顶点邻居计算 42 6.4.4 顶点到顶点的简单路径 43 6.5 本章小结 44 第七章 总结与展望 45 7.1 论文总结 45 7.2 工作展望 45 参考文献 47 via:https://github.com/cld378632668/A-community-detect-System-based-on-GraphX