[其它] nandisims.github.io-源码

说明：nandisims.github.io
<weixin_42124497> 上传 | 大小：101mb

[其它] my-password-generator-源码

说明：标题 这是一个选择了最大选项的示例文件。 这是一个很长的描述。 目录 安全 任何可选部分 背景 任何可选部分 安装 该模块取决于的知识。 任何可选部分 用法 注意：应使用正确的:user和:repo更新此文件顶部的license标志图像链接。 任何可选部分 原料药 任何可选部分 更多可选部分 贡献 查看！ 公关接受。 小提示：如果要编辑自述文件，请遵循规范。 任何可选部分 执照
<weixin_42157567> 上传 | 大小：5kb

[其它] learning:角4-源码

说明：Atom设置和程序包 配套 同步设置 angular-2-type脚本片段 angularjs 原子引导3 原子ternjs 原子打字稿 平台末端 v-bootstrap4 自动完成js导入 自动完成模块 选色器 颜料 Emmet 文件图标 转到定义 语言-pug jQuery片段 语言-pug 短绒 linter-ui-default 林特·杰辛特 主题 原子材料用户界面 原子材料语法（暗）
<weixin_42122306> 上传 | 大小：38mb

[其它] room-reservation-admin-源码

说明：room-reservation-admin
<weixin_42097533> 上传 | 大小：27kb

[其它] snake_game:用JavaScript制作的Snake游戏挑战-源码

说明：蛇游戏 Projeto / Desafio curso da DIO Recriando o jogo da cobrinha com Javascr ipt 使用Java编写的存储库。 描述： Jápensou em criar seuprópriojogo做零吗？ 关于HTML，CSS和Javascr ipt的简单形式说明。
<weixin_42164702> 上传 | 大小：3kb

[其它] Windows平台下Snort系统的架构与实现

说明：通过对入侵检测系统的深入研究,在此基础上,架构了一个在Windows平台下的基于Snort的分布式网络入侵检测系统。该系统模型融合了层次模型和分布式协作模型的优点,采用三级分层体系结构,并融合了改进的BM模式匹配算法(IBM算法)。实验结果表明,该系统能够对缓冲区溢出、端口扫描等攻击进行很好地探测,相比传统的Snort系统,在检测效率和性能上均有大幅度提高。同时该系统还提供了更加人性化的操作界面,方便了用户的操作和使用。
<weixin_38698149> 上传 | 大小：490kb

[其它] TestGit:测试git，推和拉取-源码

说明：TestGit:测试git，推和拉取
<weixin_42109125> 上传 | 大小：2kb

[其它] HybridSQL-docker:用于HybridSQL的开发Dockerfile-源码

说明：HybridSQL码头工人 用于HybridSQL的开发Dockerfile 用法 # pull image docker pull ghcr.io/4paradigm/centos6_gcc7_hybridsql:latest # or build from Dockerfile docker build . 提供了更多信息 依赖性概述 / ├── opt/rh │   ├── devtoolset-7/ # development toolchain like gcc
<weixin_42118161> 上传 | 大小：16kb

[其它] resume-website:恢复-源码

说明：Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行该应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 最小化内部版本，文件名包含哈希
<weixin_42181545> 上传 | 大小：1mb

[其它] stl-moley.github.io-源码

说明：stl-moley.github.io
<weixin_42131633> 上传 | 大小：15mb

[其它] node-07-weather-源码

说明：节点06-服务器
<weixin_42128537> 上传 | 大小：6kb

[其它] 在计算机辅助语言学习中自动错误识别的最大F1分数判别训练

说明：在本文中，我们提出并评估了基于隐马尔可夫模型（HMM）的自动识别的新判别训练准则计算机辅助发音训练中的自动发音错误检测。 目标函数被公式化为s- 带注释的非本地语音数据库上F1分数的平滑形式。 通过使用基于弱感知辅助函数方法的HMM更新方程之类的扩展Baum Welch形式来实现目标函数最大化。 为了确保客观的改进，建议同时更新声学模型和电话阈值参数。 错误识别检测实验表明，该方法可有效提高训练数据和评估数据的F1分数，精度，召回率和检测精度。
<weixin_38702844> 上传 | 大小：119kb