gaixiumami

于 2009-08-08 12:05:56 发布
阅读量70 收藏
点赞数
分类专栏： jsp前台 文章标签： DWR JavaScript CSS HTML JSP ViewUI

<%@ page language="java" contentType="text/html; charset=gb2312"
    pageEncoding="gb2312"%>
    <%@include file="../taglib/taglib.jsp" %>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<style type="text/css">
body {
    line-height: 145%;
    color: #333333;
    text-decoration: none;
    font-size: 12px;
}
</style>
    <link href="style/style_club.css" rel="stylesheet" type="text/css" />
<script type="text/javascript" src="dwr/util.js"></script>
        <script type="text/javascript" src="dwr/engine.js"></script>
        <script type="text/javascript" src="dwr/interface/validates.js"></script>
        <script type="text/javascript">
      
   var flag = true;
   function endsub(){
   alert("hello"+flag);
       return flag;
   }
   function checkpass(){
           var pass = document.myform.pwd.value;
           var divpass = document.getElementById("divpass");
           if(pass.length == 0 || pass == ""){
               divpass.innerHTML="密码不能为空！";
               flag = false;
           }else{
               divpass.innerHTML="";
           }
          
   }
  function validateuser(){
    validates.validateUser(window.document.myform.name.value,callBack)//方法回调，把前面方法的返回值付给后面的方法名
    }
  function callBack(data){
    var information = document.getElementById("info");
    if(data=="false"){
    document.getElementById("imagePic").src="/gradeManage/images/true.gif";
   information.innerHTML = "该用户可以注册 ！";
  
    }else{
     document.getElementById("imagePic").src="/gradeManage/images/false.gif";
     information.innerHTML = "该用户已经存在 ！";
     flag = false;
    }
   }
  
   function certain(){
       var pwd = document.myform.pwd.value;
       var repwd = document.myform.repwd.value;
       var divrepass = document.getElementById("divrepass");
       if(pwd != repwd){
           divrepass.innerHTML="两次密码不一致 ！";
           flag = false;
       }else{
           divrepass.innerHTML="";
       }
  }
</script>
</head>
<body>
    <center>
        <h3>用户信息修改</h3>
    <form name="myform" action="user.do?method=update" method="post">
        <table>
            <tr>
                <td colspan="2"><input name="id" type="hidden" value="${requestScope.user.id }"/></td>
            </tr>
            <tr>
                    <th>用户名：</th>
                    <td><input name="name" type="text" size="22" value="${requestScope.user.name }" οnblur="validateuser()"/><img src="/gradeManage/images/20.gif" name="imagePic"/></td>
        </tr>
        <tr>
            <td>&nbsp;</td>
            <td>
                <div id=info style="color:red;padding:10px;font-size:12px;"></div>
            </td>
        </tr>
                <tr>
                    <td colspan="2"></td>
                </tr>
                <tr>
                    <th>密码：</th>
                    <td><input name="pwd" type="password" value="${requestScope.user.pwd }" size="24" οnblur="checkpass()"/></td>
                </tr>
                <tr>
            <td>&nbsp;</td>
            <td>
                <div id=divpass style="color:red;padding:10px;font-size:12px;"></div>
            </td>
        </tr>
                <tr>
                    <td colspan="2"></td>
                </tr>
                <tr>
                    <th>确认密码：</th>
                    <td><input name="repwd" type="password" value="${requestScope.user.pwd }" size="24" οnblur="certain()"/></td>
                </tr>
                <tr>
            <td>&nbsp;</td>
            <td>
                <div id=divrepass style="color:red;padding:10px;font-size:12px;"></div>
            </td>
        </tr>
                <tr>
                    <td colspan="2"></td>
                </tr>
            <tr>
                <td><input name="submit" type="submit" value="修改"/></td>
                <td><input name="reset" type="reset" value="取消"/></td>
            </tr>
            <tr>
                <td colspan="2"><font color="red">${requestScope.update }</font></td>
            </tr>
        </table>
        </form>
    </center>
</body>
</html>

giveupyou
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mpu6050陀螺仪使用方法开发教程文档.docx
07-30
mpu6050陀螺仪使用方法
【SCI顶级】龙格库塔算法RUN-CNN-LSTM-Multihead-Attention温度预测【含源码 5747期】.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-LSTM-Mutilhead-Attention回归预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-LSTM-Mutilhead-Attention回归预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-LSTM-Mutilhead-Attention回归预测 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-LSTM-Mutilhead-Attention回归预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-LSTM-Mutilhead-Attention回归预测 4.4.5 萤火虫算法FA/差分算法DE-CNN-LSTM-Mutilhead-Attention回归预测
大模型的数学之魂：统计学习理论精要
07-30
大型机器学习模型，通常简称为“大模型”，是指具有数十亿甚至数千亿参数的深度神经网络模型。这些模型因为其庞大的参数量和复杂的计算结构，能够处理非常复杂的任务和数据，展现出强大的表达能力和预测性能。大模型在自然语言处理、计算机视觉、语音识别和推荐系统等多个领域都有广泛的应用。 大模型的设计目的是通过训练海量数据来学习复杂的模式和特征，从而具备强大的泛化能力，能够对未见过的数据做出准确的预测。与参数较少、层数较浅的小模型相比，大模型虽然需要更多的计算资源和时间来训练和推理，但它们展现出了一种被称为“涌现能力”的特性，即从原始训练数据中自动学习并发现新的、更高层次的特征和模式。 大模型的发展历程可以分为几个阶段，从早期的卷积神经网络模型发展到以Transformer为代表的全新神经网络模型，再到当前以GPT为代表的预训练大模型阶段。Transformer架构因其自注意力机制而成为大模型的核心技术，它使得模型能够更好地理解和处理文本数据中的长距离依赖关系。 大模型的分类主要包括语言大模型（NLP）、视觉大模型（CV）和多模态大模型。语言大模型专注于处理文本数据和理解自然语言，而视觉大模型用
唯美淡雅四页.zip
07-30
【简历模板】工作总结、商业计划书、述职报告、读书分享、家长会、主题班会、端午节、期末、夏至、中国风、卡通、小清新、岗位竞聘、公司介绍、读书分享、安全教育、文明礼仪、儿童故事、绘本、防溺水、夏季安全、科技风、商务、炫酷、企业培训、自我介绍、产品介绍、师德师风、班主任培训、神话故事、巴黎奥运会、世界献血者日、防范非法集资、3D快闪、毛玻璃、人工智能等等各种样式的ppt素材风格。 设计模板、图片素材、PPT模板、视频素材、办公文档、小报模板、表格模板、音效配乐、字体库。 广告设计：海报，易拉宝，展板，宣传单，宣传栏，画册，邀请函，优惠券，贺卡，文化墙，标语，制度，名片，舞台背景，广告牌，证书，明信片，菜单，折页，封面，节目单，门头，美陈，拱门，展架等。 电商设计：主图，直通车，详情页，PC端首页，移动端首页，钻展，优惠券，促销标签，店招，店铺公告等。 图片素材：PNG素材，背景素材，矢量素材，插画，元素，艺术字，UI设计等。 视频素材：AE模板，会声会影，PR模板，视频背景，实拍短片，音效配乐。 办公文档：工作汇报，毕业答辩，企业介绍，总结计划，教学课件，求职简历等PPT/WORD模板。
仿真验证阵列可以提高接收信号信噪比
07-30
这是一份模拟了阵列输入信号及噪声，并验证了相对于阵列接收到的信号，阵列输出信号可以将信噪比提高M倍，其中M为阵列的阵元个数的代码。 代码中可以随意修改阵元个数、阵元间距、波束指向角度、信号频率等。 代码中关键部分均含有文字注释，完全不必担心看不懂。 无论是从仿真波形，还是计算的信噪比结果均能看出阵元数为M的阵列将信号的信噪比提高了M倍。
[毕业设计]Java驱动的C语言编程练习与考试平台(源代码+论文).zip
07-30
[毕业设计]Java驱动的C语言编程练习与考试平台(源代码+论文)
基于Qt的多线程局域网聊天系统（含客户端+服务端）.zip
07-30
毕业设计是高等教育阶段学生完成学业的一个重要环节，通常在学士或硕士学业即将结束时进行。这是学生将在整个学业中所学知识和技能应用到实际问题上的机会，旨在检验学生是否能够独立思考、解决问题，并展示其专业能力的一项综合性任务。 毕业设计的主要特点包括： 独立性： 毕业设计要求学生具备独立思考和解决问题的能力。学生需要选择一个合适的课题，研究相关文献，进行实地调查或实验，并提出独立见解。 实践性： 毕业设计是将理论知识应用到实际问题中的一次实践。通过完成毕业设计，学生能够将所学的专业知识转化为实际的解决方案，加深对专业领域的理解。 综合性： 毕业设计往往要求学生运用多个学科的知识，综合各种技能。这有助于培养学生的综合素养，提高他们的综合能力。 导师指导： 学生在毕业设计过程中通常由一名指导老师或导师团队提供指导和支持。导师负责引导学生确定研究方向、制定计划、提供建议，并在整个过程中监督进展。 学术规范： 毕业设计要求学生按照学术规范完成研究，包括文献综述、研究设计、数据采集与分析、结论和讨论等环节。学生需要撰写一篇完整的毕业论文，并进行答辩。
iperf3可测量丢包率
07-30
测吞吐量和丢包率
遗传算法(GA)优化长短期记忆网络的数据分类预测，GA-LSTM分类预测，多输入单输出 多特征输入单输出的二分类及多分类模型
07-30
遗传算法(GA)优化长短期记忆网络的数据分类预测，GA-LSTM分类预测，多输入单输出。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图
AR100, AR120, AR150, AR160, AR200, AR1200, AR2200, AR3200, AR360
07-30
AR100, AR120, AR150, AR160, AR200, AR1200, AR2200, AR3200, AR3600 V300R003 产品文档
SCI一区】雾凇算法RIME-CNN-BiLSTM-Mutilhead-Attention多变量时序预测含源码 5646.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-BiLSTM-Mutilhead-Attention回归预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.5 萤火虫算法FA/差分算法DE-CNN-BiLSTM-Mutilhead-Attention回归预测
稳重大气四页.zip
07-30
【简历模板】工作总结、商业计划书、述职报告、读书分享、家长会、主题班会、端午节、期末、夏至、中国风、卡通、小清新、岗位竞聘、公司介绍、读书分享、安全教育、文明礼仪、儿童故事、绘本、防溺水、夏季安全、科技风、商务、炫酷、企业培训、自我介绍、产品介绍、师德师风、班主任培训、神话故事、巴黎奥运会、世界献血者日、防范非法集资、3D快闪、毛玻璃、人工智能等等各种样式的ppt素材风格。 设计模板、图片素材、PPT模板、视频素材、办公文档、小报模板、表格模板、音效配乐、字体库。 广告设计：海报，易拉宝，展板，宣传单，宣传栏，画册，邀请函，优惠券，贺卡，文化墙，标语，制度，名片，舞台背景，广告牌，证书，明信片，菜单，折页，封面，节目单，门头，美陈，拱门，展架等。 电商设计：主图，直通车，详情页，PC端首页，移动端首页，钻展，优惠券，促销标签，店招，店铺公告等。 图片素材：PNG素材，背景素材，矢量素材，插画，元素，艺术字，UI设计等。 视频素材：AE模板，会声会影，PR模板，视频背景，实拍短片，音效配乐。 办公文档：工作汇报，毕业答辩，企业介绍，总结计划，教学课件，求职简历等PPT/WORD模板。
RISC-V特权架构文档
最新发布
07-30
RISC-V的特权架构文档，版本20240411。
确定性可靠5g工业生产网络白皮书.pdf
07-30
确定性网络 5G工业生产
语音识别的一个matlab程序_rezip1.zip
07-30
【标题】"语音识别的一个matlab程序"是一个与语音处理和模式识别技术相关的项目，它使用MATLAB编程语言实现。MATLAB是MathWorks公司开发的一种数值计算和数据可视化环境，广泛应用于工程、科学和数学领域，尤其在信号处理和机器学习方面有很强的功能。 【描述】提到的"在一个网站看到，大家分享一下"表明这是一个社区共享的资源，可能来源于一个在线论坛或编程交流平台。这样的共享行为旨在促进技术交流和学习，让其他对语音识别感兴趣的用户能够参考、学习和改进代码。 【标签】"语音识别"是这个项目的关键词，意味着该程序涉及将人类语音转化为文本或命令的过程。语音识别技术的核心是将音频信号转换为可理解的数据，这通常包括预处理、特征提取、模型训练和匹配等步骤。 在提供的【压缩包子文件的文件名称列表】中，我们可以推断出这个MATLAB程序的组成部分： 1. `demo.m`：通常是演示脚本，用于展示程序的主要功能和用法，用户可以通过运行这个文件快速了解程序的工作原理。 2. `.p` 文件（melfb.p, mfcc.p, vqlbg.p, disteu.p, test.p, blockFrames.p, train.p）：这些是MATLAB的编译函数文件，可能包含特定的算法实现，如梅尔频率倒谱系数(MFCC)提取、声学建模、距离计算、训练和测试等功能。例如： - `melfb.p` 可能实现了梅尔滤波器组，用于对语音信号进行频谱分析。 - `mfcc.p` 可能负责MFCC的计算，这是语音识别中常用的特征提取方法。 - `train.p` 和 `test.p` 可能分别对应模型的训练和测试过程。 3. `Read Me.txt`：通常包含关于如何使用、配置和运行程序的说明和指导。 4. `www.pudn.com.txt`：可能指向源文件的下载地址或发布者的信息，PUDN（太平洋下载网）是一个提供各类资源下载的网站。 这个MATLAB程序可能涵盖了语音识别的完整流程，包括预处理、特征提取、模型训练和评估。通过运行`demo.m`，用户可以体验整个识别过程，并可根据源代码深入了解语音识别的实现细节。对于学习和研究语音识别技术的人来说，这是一个宝贵的实践资源。
整理的快手Java岗牛客网面经指南及知识点.zip
07-30
整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip整理的快手Java岗牛客网面经指南及知识点.zip
2024湖南省河流水系矢量图层shp数据最新版下载-带python代码
07-30
2024湖南省河流水系矢量图层shp数据下载-包含水系线和水系面数据，几千上万条数据，非常细化，附带shp转geojson的python代码
提取语音特征（短时能量，平均幅度、平均过零率）的matlab代码 语音短时能量、平均幅度、平均过零率_rezip1.zip
07-30
在语音处理领域，特征提取是至关重要的步骤，它旨在从原始语音信号中提炼出具有代表性的参数，以便后续的分析、识别或建模。这里，我们关注的是三种基础且常用的语音特征：短时能量、平均幅度和平均过零率。这些特征在MATLAB中可以方便地实现。 让我们详细了解这三种特征： 1. **短时能量**：短时能量是衡量语音信号强度的一种方法。在MATLAB中，通常通过将语音信号分帧（例如，使用汉明窗），然后计算每帧的能量（即，信号平方和的总和）。这可以捕捉到语音的响度变化，对识别语音的有声/无声状态非常有用。计算公式为： ```matlab frame = x.*hamming(frame_length); % x为原始语音信号，frame_length为帧长度 energy = sum(frame.^2); ``` 2. **平均幅度**：平均幅度是测量语音信号幅度均值的特征，它反映了语音信号的平均响度。在MATLAB中，我们可以计算每帧信号的均值： ```matlab mean_amplitude = mean(abs(frame)); ``` 平均幅度可以帮助识别音调的变化，但不如短时能量敏感于信号的有无。 3. **平均过零率**：平均过零率是计算信号在特定时间内穿过零轴的次数，反映了信号的瞬态特性。在MATLAB中，计算平均过零率通常涉及对信号取绝对值，然后找出符号改变的点： ```matlab zero_crossings = find(diff(sign(frame)) == -2); mean_zero_rate = length(zero_crossings) / frame_length; ``` 这个特征对于检测语音中的爆破音和辅音特别有效。 在实际应用中，为了提高特征的鲁棒性，通常会结合使用这些特征，并可能进行归一化处理。例如，将所有特征缩放到相同的范围内，或者使用Mel频率倒谱系数（MFCC）等更高级的特征提取方法。这些特征组合起来能够提供更全面的语音描述，有助于在语音识别、情感分析或语音合成等任务中提升性能。 在提供的压缩包中，每个文件名对应一个特征的计算。`语音短时能量`可能是计算每帧能量后的结果，`平均幅度`包含了每帧的平均振幅，而`平均过零率`则可能是计算过的过零率。通过读取和解析这些数据文件，我们可以进一步了解不同语音片段的特性，并可能用于训练机器学习模型或其他语音处理任务
matlab一维信号去噪分析.zip
07-30
本文主要探讨了一维信号去噪的方法，通过MATLAB进行了实操分析。对一维信号进行了时域分析，通过绘制时域谱了解信号的基本特性。接着，利用快速傅里叶变换(FFT)将信号从时域转换到频域，以获取信号的频谱分布，这有助于识别噪声所在的频率范围。 在频谱分析的基础上，尝试设计了一个基于窗函数的简单带通滤波器。这里使用了fir1函数来设计滤波器，设定通带为50~350Hz，目的是保留这个频率范围内的信号，去除高频噪声。滤波器的频率响应和滤波后的信号分别通过图形展示，结果显示虽然滤除了部分高频噪声，但效果并不显著，特别是在采样频率未知的情况下，FFT变换的效果受限。 为解决这一问题，文章引入了小波分析。小波分析具备多分辨率分析的特性，能同时在时域和频域提供信号的局部信息。它可以灵活调整时间窗和频率窗的大小，以适应不同频率成分的信号。在处理实验数据时，先对信号进行一层小波分解，使用db1小波函数。分解后，对细节系数进行阈值处理，以达到去噪的目的。通过小波重构将处理后的系数恢复为滤波后的信号。 整个过程中，MATLAB代码展示了如何读取数据、进行FFT变换、设计滤波器以及执行小波分析和重构。小波分析的去噪效果通常优于传统滤波器，尤其是在处理非平稳信号和局部特征时，能更好地保留信号的重要信息。 总结起来，一维信号去噪涉及的关键技术包括时域分析、FFT变换、带通滤波器设计（窗函数法）以及小波分析与重构。MATLAB作为强大的数值计算工具，提供了实现这些技术的便捷途径。通过这些方法，工程师和研究人员可以有效地从噪声中提取有用信号，为后续的数据处理和分析提供更纯净的信号源
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值