为了对数据进行处理，UIMA 应用程序将使用分析引擎，而后者包含实际进行分析的应用程序、Annotator 和 XML 描述符文件，其中，XML 描述符文件包含关于类以及其要接收和返回的信息等方面的内容。 还可以将简单的分析引擎组合为更为复杂的分析引擎。例如，定位本地事故报告和广播流量报告的分析引擎可能包含一个查找事故的分析引擎、一个查找位置的分析引擎，以及一个分析前两个引擎提供的注释的分析引擎。总体引擎描述符将确定如何在这些分析引擎间传递 CAS 对象。 事实上，描述符控制任何应用程序如何访问分析引擎，而这种机制在此情况下极为方便。如果创建了相应的描述符，可以将其传递到应用程序，而该应用程序甚至不知道所使用的是 Web 服务。
标签： 对数
上传时间： 2013-12-28
上传用户：xinyuzhiqiwuwu
SQL SERVER: 系统服务器所使用的数据库管理系统（DBMS）。 SQL: 一种用于访问查询数据库的语言 事务流：数据进入模块后可能有多种路径进行处理。 主键：数据库表中的关键域。值互不相同。 外部主键：数据库表中与其他表主键关联的域。 ROLLBACK: 数据库的错误恢复机制。
上传时间： 2014-08-13
上传用户：ikemada
Q: 我应该怎样处理内存泄漏？ A: 很简单，只要写“不漏”的代码就完事了啊。显然，如果你的代码到处是new、delete、指针运算，那你想让它“不漏”都难。不管你有多么小心谨慎，君为人，非神也，错误在所难免。最终你会被自己越来越复杂的代码逼疯的——你将投身于与内存泄漏的奋斗之中，对bug们不离不弃，直至山峰没有棱角，地球不再转动。而能让你避免这样困境的技巧也不复杂：你只要倚重隐含在幕后的分配机制——构造和析构，让C++的强大的类系统来助你一臂之力就OK了。标准库中的那些容器就是很好的实例。它们让你不必化费大量的时间精力也能轻松惬意地管理内存。我们来看看下面的示例代码——设想一下，如果没有了string和vector，世界将会怎样？如果不用它们，你能第一次就写出毫无内存错误的同样功能代码吗？
标签： 内存泄漏
上传时间： 2017-01-25
上传用户：alan-ee
《嵌入式Linux中的进程同步无竞争态读写》 在系统需要并发性能时，可以提供缓冲机制，避免生产者的消息阻塞。
上传时间： 2014-01-25
上传用户：moshushi0009
扩展的动态内存机制 任务综述 本任务扩展了自己私有的内存管理机制。首先使用预先规划的思想，使用预先分配的内存池和内存分区，再通过使用消息队列作为内存池的管理机制处理内存块分配与释放的过程，而消息队列中保存的是每个预先申请内存块的地址。当用户需要分配一个内存块时，使用msgQReceive() 函数从消息队列中获取一个相应大小的内存块地址；当用户需要释放一个内存块时，则使用msgQSend()函数将内存块首地址发送回消息队列中。通过这种方法，减少了内存反复申请与释放产生外部碎片的可能，并能够有效利用预先分配的思想减少内部碎片。同时也通过消息队列的特性实现了方便的内存块申请与释放的管理操作。 同时，本系统作为扩展的动态内存管理机制，引入了定制的内存分配与释放功能，使用了互斥机制保证操作安全性和一系列告警机制。在保证内存分配与释放安全有序的基础上，还增加了管理监视机制。 其系统具体实现参照系统实现部分。
上传时间： 2017-06-11
上传用户：569342831
操作系统实验：模拟LINUX操作系统的虚存管理机制，采用多道程序控制方式、多级页表、FIFO请求方式完成对实存辅存的映射管理，处理访存请求。实现了FIFO、LRU、LFU等页表淘汰算法。
上传时间： 2017-08-05
上传用户：haoxiyizhong
遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。 优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时应注意将染色体解码到问题可行域内。 遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度函数由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来解决。这样，适应度函数值大的染色体生存能力强。 遗传算法有三个进化算子：选择（复制）、交叉和变异。 SGA中，选择采用轮盘赌方法，也就是将染色体分布在一个圆盘上，每个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时会指向某一个区域，则该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大，因此被选中的几率高，可能被选中多次，而适应度低的可能一次也选不中，从而被淘汰。算法实现时采用随机数方法，先将每个染色体的适应度除以所有染色体适应度的和，再累加，使他们根据适应度的大小分布于0-1之间，适应度大的占的区域大，然后随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，选出群体规模规定数目的染色体。这个操作就是“优胜劣汰，适者生存”，但没有产生新个体。 交叉模拟有性繁殖，由两个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操作。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。 变异采用位点变异，对于二进制位串，0变为1，1变为0就是变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因，主要用于跳出局部极值。 遗传算法认为生物由低级到高级进化，后代比前一代强，但实际操作中可能有退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使后代至少不差于前一代。大致有两种类型，一种是把出现的最优个体单独保存，最后输出，不影响原来的进化过程；一种是将最优个体保存入子群，也进行选择、交叉、变异，这样能充分利用模式，但也可能导致过早收敛。 由于是基本遗传算法，所以优化能力一般，解决简单问题尚可，高维、复杂问题就需要进行改进了。 下面为代码。函数最大值为3905.9262，此时两个参数均为-2.0480，有时会出现局部极值，此时一个参数为-2.0480，一个为2.0480。算法中变异概率pm=0.05，交叉概率pc=0.8。如果不采用最优模式保留，结果会更丰富些，也就是算法最后不一定收敛于极值点，当然局部收敛现象也会有所减少，但最终寻得的解不一定是本次执行中曾找到过的最好解。
标签： 遗传算法
上传时间： 2015-06-04
上传用户：芃溱溱123
数字图像处理课程 北大计算所 PPT版
上传时间： 2013-07-16
上传用户：eeworm
LED视频显示屏实时处理与驱动技术
上传时间： 2013-07-10
上传用户：eeworm
数字信号处理课件 PDF格式
标签： 数字信号处理
上传时间： 2013-04-15
上传用户：eeworm
