欣赏Flash MX制作动画的闪亮点之三

实例1 多幅外部图像的动态切换 ——使用影片剪辑实例作遮罩和导入外部图像 “多幅外部图像的动态切换”动画播放后的画面如图1-1所示,一幅立体图像框内有一幅日出海面的图像,作为底图图像。接着,另一幅风景图像从左上角向右下角推出显示,其中的一幅画面如图1-2所示。     

"空心国标"难寻市场化临门一脚

“大部分标准在没有专利或者专利很少的情况下,由政府领导的行业协会推出,标准本身的政府行为就导致了标准市场化出路的狭小,面临市场大门时无法‘破门’。”     

中文Photolmpact6.0基本操作速成

中文PhotoImpact 6.0是Uled公司第一个融合了图像编辑和网页创建的图像编辑器,具有功能强大的特效处理功能.利用它,可以编辑图像和专业级Web图像的布局,可以设计多姿多彩的和无可比拟的图像与网页,并可以优化输出完整的网页.     

欣赏Flash MX制作动画的闪亮点之二

上一期发表的“欣赏Flash MX制作动画的闪亮点”一文,引起了许多读者的关心与赞赏。为此,我们会继续努力,将更多更好的Flash MX新特性以实例的形式介绍给大家,也欢迎广大读者参与进来,以同样的形式,奉献自己的真知。让我们一起,共勉共进,共同提高,共同挖掘Flash MX制作动画的更多闪亮耀点。     

适应新型配电网多变运行方式的终端定值管理闭环方法与系统

新型电力系统的加快推进将让配电网发生翻天覆地的变化,配电网主站也将面临新的挑战.高渗透率分布 式电源接入配电网使得输配电网之间产生了双向功率流动,并且分布式能源受电网调频调峰需求响应、环境、国家政 策等外界因素影响,使得新型配电网运行方式多变.频繁异动的电网模型和大容量的智能终端接入也对配电网主站运 行的可靠性提出了严峻的挑战.对此,提出了一种适应新型配电网多变运行方式的终端定值管理闭环方法与系统,通 过配电网主站系统终端定值定时召唤、定值跨区传输、定值在线校核、定值整定、定值下装、定值归档完整的管理闭 环流程,为配电网终端离线定值与新型配电网多变运行方式失配造成的误动问题提供了一种解决方案,提高了新型配 电网的供电可靠性和安全性.     

土建工程施工中软土地基处理技术分析

随着我国土建工程项目体量和规模的逐步扩大,在实施土建工程的设计、建造活动过程中,针对软土地基处理技术进行创新应用,受到了技术管理人员的高度重视。加强对软土地基特点的把握,提高软土地基处理技术的应用水平,旨在保证土建工程项目高质量、高效率的施工,达到理想的建造目标。通过总结了土建工程的内容,结合软土地基的特点,分析了软土地基处理的重要性,总结了土建工程项目中软土地基处理技术的应用原则和应用要点。     

融合领导者影响与隐式信任度的群组推荐方法

群组推荐需要同时考虑一组内所有成员的偏好,融合偏好进而向群组推荐项目。现有关于群组推荐方法的研究中大多使用固定的、对称的关系权重进行预测评分,忽略了群体成员之间复杂的关系影响,这会导致组推荐准确度偏低。为了解决上述问题,提出了一种融合领导者影响与隐式信任度的群组推荐方法（GRS-IT）,该方法通过模糊C均值聚类与皮尔逊相关性结合的方法,发现高相似度群组,有效地提高群组推荐效果和稳定性;引入领导者影响的方法,结合皮尔逊相关性与一种隐式信任度计算找出组内领导者并获取领导者与成员、成员彼此之间的动态影响权重,降低群组推荐的误差率;此外,该方法将基于人类遗忘曲线的时间函数融入到项目评分预测中,预测评分随时间变化赋予不同的时间权重值,进一步提高了群组推荐的准确性。采用对比实验对GRS-IT的有效性进行验证,结果表明,在MovieLens100K数据集上与其他群组推荐方法相比,推荐结果在准确度和群组成员满意度方面都有显著提高。     

SparkSql上自适应数据集的高效频繁集挖掘算法

针对基于Spark框架的关联规则算法存在I/O开销大、数据结构和挖掘频繁集方式单一、计算支持度的方式效率低等问题,提出基于SparkSql进行分布式编程的算法。将数据集加载到DataFrame,利用改进后的布隆过滤器高效存储频繁集挖掘过程中产生的项集,解决RDD内存资源和计算速度受限问题。基于先验定理对事务、项目和项集进行精简,同时提出用Sql语句对项集中项目对应事务集合求交集的方式计算项集支持度,提高计算支持度的效率。提出了两种迭代算法和自适应数据的选择条件,增强该算法对各种数据集的泛化性。进行多组实验,证明提出的算法总是自适应本次迭代数据的特点选择最优的迭代方法,同时具有较高并行算法性能,可以扩展到更大规模集群和数据;同基于Spark框架的关联规则算法YAFIM和R-Apriori进行对比,在每次迭代和总体运行计算效率上有更好的表现。     

基于Spark无线城市社团发现算法的研究*

针对已有的社团发现算法存在时间复杂度较高、运行过程会产生大量重复团等问题,引入二叉树的存储结构、权重排序、深度优先遍历的概念,与Spark基于内存计算的特点相结合,提出一种改进的并行化S-T-CS算法。通过搭建Spark大数据平台实现该算法,并与传统团搜索CS算法和基于Hadoop的MP-T-CS算法进行性能对比。实验结果表明,S-T-CS算法解决了生成结果冗余的问题,降低了时间代价,提升了社团发现算法的运行速度和对海量数据的处理能力。