搜索资源列表
jaoso-0.9.1-final
- Jaoso新闻文章发布系统 0.9.1final 程序架构: Struts+Spring+Hibernate 主要功能： ·新闻采用在线编辑器,可以象使用word一样编辑新闻,可简繁体互换 ·可web上传图片,新闻内其它网站图片自动下载 ·无限级目录分类 ·可设头条新闻和图片新闻 ·新闻点评功能，可自由发表评论 ·权限管理可以任意设置角色\\权限 ·采用MVC模式显示与逻辑分离,方便修改页面显示效果
jaoso
- 关于 Jaoso新闻文章发布系统 --- --- --- --- --- --- --- -- 版本信息：Jaoso新闻文章发布系统 0.9.1beta1 程序架构: Struts+Spring+Hibernate 主要功能： ·新闻采用在线编辑器,可以象使用word一样编辑新闻 ·可web上传图片,新闻内其它网站图片自动下载 ·无限级目录分类 ·可设头条新闻和图片新闻 ·新闻点评功能，可自由发表评论 ·权限
zhicun
- 系统特色: 1,栏目无限级分类,形成树型结构，可以随意增加，修改，移动，删除栏目，移动或删除栏目的同时系统自动移动或删除其对应子栏目和信息。 2,系统支持国际化，采用UTF-8编码，资源文件里可以设置多国语言，形成多国语言界面。 3,系统采用Struts标签制，避免Jsp页面出java代码。 3,完全生成前台静态页面,大大提高网民浏览前台页面的速度，降低服务器的资源开销。 4,集成最新编辑器(eWebEditor V4.60),实现所见即所得的效果 后台登陆地址：admi
新闻系统
- 主要功能： ·新闻采用在线编辑器,可以象使用word一样编辑新闻 ·可web上传图片,新闻内其它网站图片自动下载 ·无限级目录分类 ·可设头条新闻和图片新闻 ·新闻点评功能，可自由发表评论 ·权限管理可以任意设置角色 ·采用MVC模式显示与逻辑分离,方便修改页面显示效果 ·支持国际化多语言,只需要增加响应语言包 ·支持多数据库,目前测试过的数据库(Oracle,SqlServer,Mysql) ·支持全文索引,检索速度更快更准确 ·-main functions :
tykj
- 天缘企业网站系统科技版 焕然一新的时尚科技界面，引来了更多用户的青睐，个性主流的全新感觉，独领行业风潮，此版本适合网络/科技/高新产业/软件等公司使用。 主要功能： 基本设置：站点常规属性设置。 导航管理：添加/删除导航菜单，隐藏与显示。 单页管理：增加修改单页，通过强大的编辑器可插入动画图片视频等内容。 新闻管理：新闻分类管理，增加/删除/修改新闻。 产品管理：产品二级分类,产品略缩图，产品推荐，增/删/改产品。 订单管理：前台对相应的产品下订单，后
ZhiVote_v4.0.0
- 随着计算机和电子通讯技术的飞速发展和网络应用的深化，网络版的投票评选在活动中的方便性和重要性，目前系统定位于投票评选行业的量身开发，打造行业的领先服务评选品牌，系统整合单选/多选一体化功能，并适合图文评选,适合用于大型媒体单位、机关单位、院校机构、集团公司、门户网站可用于城市评选、美景评选、优秀人物评选、活动评选，事迹评选. 系统功能： 1、IP封锁管理、代理IP安全过滤功能,上传文件管理，防SQl注入，脏话过滤功能 2、单选/多选切换，投票开关，验证码开关，有效时间功能
Anynote
- Anynote是一个基于extjs、struts、spring、ibatis构建的开源的支持多用户的个人信息管理系统， 并且各个功能模块都可以选择性的开启或者停用，主要功能包括： 1、任务管理，记录工作和生活中的待办事项，有效安排时间，支持分类、设定优先级； 2、日常笔记，不管是记录日常生活的点点滴滴，还是收藏一些好的网文，都是不错的选择； 3、阅读器，可以订阅自己感兴趣的内容，集中阅读； 4、个人相册，管理保存自己的珍贵照片，留下美好回忆； 5、账目理财，个人理财工具
JSvmLib
- java版支持多类的SVM分类器,用的是SMO算法求解，核函数是线性的，带注释。-codes of SVM in java
AdaBoost
- 基于决策树实现的AdaBoost分类器，是一个由多个弱分类器进行训练生成强分类的过程。-Based on AdaBoost classifier tree implementation, is a plurality of weak classifiers in the training process generates a strong classifier.
RandomForest
- 随机森林是由多棵树组成的分类或回归方法。主要思想来源于Bagging算法，Bagging技术思想主要是给定一弱分类器及训练集，让该学习算法训练多轮，每轮的训练集由原始训练集中有放回的随机抽取，大小一般跟原始训练集相当，这样依次训练多个弱分类器，最终的分类由这些弱分类器组合，对于分类问题一般采用多数投票法，对于回归问题一般采用简单平均法。随机森林在bagging的基础上，每个弱分类器都是决策树，决策树的生成过程中中，在属性的选择上增加了依一定概率选择属性，在这些属性中选择最佳属性及分割点，传统做法