40种网页常用小技巧(javascript) ，自动刷新，网页技巧

(摘自http://blog.csdn.net/xiaolang85/archive/2008/08/25/2827379.aspx)
1. oncontextmenu="window.event.returnValue=false" 将彻底屏蔽鼠标右键
no 可用于Table
2. 取消选取、防止复制
3. onpaste="return false" 不准粘贴
4. oncopy="return false;" oncut="return false;" 防止复制
5. IE地址栏前换成自己的图标
6. 可以在收藏夹中显示出你的图标
7. 阅读全文>

发表于 @ 2009年04月08日　09:19:00 | 评论( loading... ) | 编辑| 举报| 收藏

 armv4l下成功交叉编译OPENVPN

网上关于openvpn交叉编译的文章有很多，但大多数在我这个armv4l-unknown-linux-gcc下无法编译通过，搞了半天之后，终于在参考一些文章的基础上完成拉，哈哈。交叉编译LZO-2.0.3./configure --host=armv4l-unknown-linux CC=/opt/host/armv4l/bin/armv4l-unknown-linux-gcc --target=armv4l-unknown-linux 交叉编译OPENSSL－0.9.8j./Configure amr41 -DB_ENDIAN armv4l-unknown-linux-gcc:' /opt/host/armv4l/bin/armv4l-unknown-linux-gcc' shared --prefix=/usr/local/opensslmake交叉编译OPENVPN－2.0.9第一步：把/usr/local/lib/  下的libl阅读全文>

发表于 @ 2009年02月14日　13:24:00 | 评论( loading... ) | 编辑| 举报| 收藏

 转贴： 转一篇关于数据库SQL执行效率的文章，值得我们学习

其实现实的很多情况是本来不需要那么复杂的sql的时候，由于程序员水平不够，写了那种很糟糕很复杂的sql，造成的数据库性能问题。
另外还有一个常识问题，却很容易被忽略。比如：
 代码select * from table_name where id = 1;    select * from table_name where id = 2;    对于这种带参数的sql，id = ? 这个地方叫做站位符(Placeholder)。

拿PHP为例，很多人喜欢这样写代码
 代码$sql = "select * from table_name where id = ";    $id=1;    $stmt = ociparse($conn,$sql.$id);    ociexecute($stmt);    ......    $id = 2;    $stmt = ociparse($conn,$sql.$id);    ociexecute($stmt);   
拿Java为例，是这样的：
阅读全文>

发表于 @ 2008年11月01日　15:02:00 | 评论( loading... ) | 编辑| 举报| 收藏

 SVM入门（三）线性分类器Part 2

浅显易懂的关于点到超平面的欧式距离的说明，以及说明了在SVM为何要求距离最大化。 SVM入门（三）线性分类器Part 2 载自http://www.blogjava.net/zhenandaci/archive/2008/07/07/213021.html 嘉士伯的Java小屋 上回说到对于文本分类这样的不适定问题（有一个以上解的问题称为不适定问题），需要有一个指标来衡量解决方案（即我们通过训练建立的分类模型）的好坏，而分类间隔是一个比较好的指标。 在进行文本分类的时候，我们可以让计算机这样来看待我们提供给它的训练样本，每一个样本由一个向量（就是那些文本特征所组成的向量）和一个标记（标示出这个样本属于哪个类别）组成。如下： 阅读全文>

发表于 @ 2008年11月01日　14:39:00 | 评论( loading... ) | 编辑| 举报| 收藏

 SVM入门（二）线性分类器Part 1

嘉士伯的东西写的东西深入浅出阿，让我温习了一下记忆深处的平面几何知识，且看第三篇中关于超平面距离的推导啊，浅的让人明白。 SVM入门（二）线性分类器Part 1 转载自 http://www.blogjava.net/zhenandaci/archive/2008/07/07/212964.html ， 嘉士伯的Java小屋线性分类器(一定意义上,也可以叫做感知机) 是最简单也很有效的分类器形式.在一个线性分类器中,可以看到SVM形成的思路,并接触很多SVM的核心概念.用一个二维空间里仅有两类样本的分类问题来举个小例子。如图所示 ­C1和C2是要区分的两个类别，在二维平面中它们的样本如上图所示。中间的直线就是一个分类函数，它可以将两类样本完全分开。一般的，如果一个线性函数能够将样本完全正确的分开，就称这些数据是线性可分的，否则称为非线性可分的。什么叫线阅读全文>

发表于 @ 2008年11月01日　14:27:00 | 评论( loading... ) | 编辑| 举报| 收藏

 SVM入门(一)SVM的八股简介

SVM入门(一)SVM的八股简介看了之后感觉不错，确实适合入门学习，了解了一些概念性的问题转载于http://www.blogjava.net/zhenandaci/archive/2008/06/20/209446.html  嘉士伯的Java小屋（一）SVM的八股简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力[14]（或称泛化能力）。以上是经常被有关SVM 的学术文献引用的介绍，有点八股，我来逐一分解并解释一下。Vapnik是统计机器学习的大牛，这想必都不用说，他出版的《S阅读全文>

发表于 @ 2008年11月01日　12:27:00 | 评论( loading... ) | 编辑| 举报| 收藏

 关于SVM的基本概念

什么是Support Vector Machine？   http://fssnt.blogbus.com/logs/10349843.htmlSVM简单介绍        http://fssnt.blogbus.com/logs/10349809.html阅读全文>

发表于 @ 2008年10月31日　17:12:00 | 评论( loading... ) | 编辑| 举报| 收藏

 Linux学习之——FIFO实例

// fifo.c

#include                 <stdio.h>  
  #include                 <sys/types.h>   <阅读全文>

发表于 @ 2008年08月28日　11:48:00 | 评论( loading... ) | 编辑| 举报| 收藏

 Linux学习之——套接字学习教程之一

select函数：  
          系统提供select函数来实现多路复用输入/输出模型。原型：  
        #include    
        #include      
     
select函数：  
          系统提供select函数来实现多路复用输入/输出模型。原型：  
        #include    
        #include &阅读全文>

发表于 @ 2008年08月28日　11:15:00 | 评论( loading... ) | 编辑| 举报| 收藏

 javascript中网页元素访问心得

1. 访问网页中的元素使用document.getElementById("元素id名")
2. 访问网页中表单使用document.forms['表单id']
3. 访问某个表单中的元素的值使用document.forms['表单id'].elements['元素名'].value
4. 访问网页中的<div>，采用第一点
5. 访问<div>中的下级<div>使用document.getElementById("上级div的id").childNodes[下级div的序号]，注意是“下级div的序号”是排列的序号，如果希望使用下级div的id来进行访问，使用如下函数
   function findComponent (c, o)
   {
     var 阅读全文>

   发表于 @ 2008年08月28日　10:31:00 | 评论( loading... ) | 编辑| 举报| 收藏