都说JAVA.WAT过时了那它被什么取代了??我该学什么??

有人提出 "java的寄生体unix正走下坡路，java使用者们小心了 "这样的说法,我觉的他是在搅局.让大家激辩,却没有结果.

java 的概念不是一下子说的清楚的,它包含很广 有很多东西可以学习和借鉴

.net 框架也一样

对java和.net这些语言和开发平台 ,"否定"或者"吹捧"都没有任何意义

我见到许多小的软件公司枣坦牺牲在这个问题上,很痛心.领导层就像小女人挑衣服一样比较着开发平台的好坏,因为决策的犹豫,浪费了很多精力和物力.

通常这些公司没有自己的统一的api函数库,没有自己的界面分隔,没有自己的bug检查流程,没有规范的编码,没有代码开发规范,没有严格的保密制度,没有 没有自己的惯用开发模式,和软件管理机制裂枣等等.一切都像在筹备完善中,一切却好像一直不能实现.一直是随心所欲的开发好像我这个自由人,做一单是一单.

中国的龙芯的研发 和其它产业先借鉴在创新的成功案例 告诉我们要发展就要走自己的路,任何时候都不要依赖别人 java和.net 都很好.我相信有一天我们自己的软件平台会更好.因为中国的文字和语言更加丰富多彩

顺便说一下 软件的实质不是选择何种语言,而在于

1 需求的完善,目标功能的针对性 2 设计的肆岩拆独道和周详 3 算法高效 4 代码的简练和直观 5 *** 作界面的人性和 合理 6 改正错误的快速 ,和推广销售的有效:

注: 空谈没有任何意义!!!!!!

总有一天我们会有自己的很好的软件平台

因为我相信 很多人都在做着努力,龙芯是这样,永中office ,wps,红旗,还有很多的国产的小软件,自由软件都很优秀.

引用段vuejs官解释 vue比其框架 Angular 选择 Vue 选择 Angular面几原每都适合： API 与设计两面 Vue.js 都比 Angular 简单快速逗老明掌握全部特性并投入发 Vue.js 更加灵放解决案允许希望式组织应用程序任何候都必须遵循 Angular 制定规则仅仅视图层所嵌入现页面定要做庞单页应用配合其库面给更空间相应需要做更架构决策例Vue.js 核默认包含路由 Ajax 功能并且通假定应用使用模块构建系统能重要区别 Angular 使用双向绑定Vue 支持双向绑定默认单向绑定数据父组件单向传给组件型应用使用单向绑定让数据流易于理解 Vue.js 指令组件更清晰指令封装 DOM *** 作组件代表自给自足独立单元 —— 自视图数据逻辑 Angular 两者少相混 Vue.js 更性能并且非非容易优化使用脏检查Angular watcher 越越变越越慢作用域内每变化所 watcher 都要重新计算并且些 watcher 触发另更新脏检查循环（digest cycle）能要运行 Angular 用户要使用深奥技术解决脏检查循环问题没简单办优化量 watcher 作用域Vue.js 则根本没问题使用基于依赖追踪观察系统并且异步列队更新所数据变化都独立触发除非间明确依赖关系唯需要做优化 v-for 使用 track-by 意思Angular 二 Vue 用相似设计解决些 Angular 一 存问题 React React.js Vue.js 确实些相似 —— 都提供数据驱、组合搭建视图组件许同 首先内部实现本质同React 渲染建立 Virtual DOM ——种内存描述 DOM 树状态数据结构状态发变化React 重新渲染 Virtual DOM比较计算给真实 DOM 打补丁 Virtual DOM 提供函数式描述视图真棒使用数据观察机制每更新都重新渲染整应用定义保证视图与数据同步辟 JavaScript 同构应用能性 Vue.js 使用 Virtual DOM 使用真实 DOM 作模板数据绑定真实节点Vue.js 应用环境必须提供 DOM相于见误解——Virtual DOM 让 React 比其都快 Vue.js 实际性能比 React 且几乎用手工优化 React优化渲染需要处处实现 shouldComponentUpdate 使用变数据结含宽构 API 面React（或 JSX）问题渲染函数包含量逻辑终看着更像程序片断（实际）界面视觉呈现于部发者说能觉优点些像咱兼顾设计发说模板能让自更视觉思考设计 CSSJSX JavaScript 逻辑混合干扰自代码映射设计思维程相反Vue.js 通模板加入轻量级 DSL (指令系统)换依旧直观模板且能逻辑封装进指令滤器 React 另问题：由于 DOM 更新完全交给 Virtual DOM 管理想要自控制 DOM 点棘手（虽理论做做本质违背 React 设计思想）应用需要特别自定义 DOM *** 作特别复杂间控制画限制讨厌面Vue.js 更灵许用 Vue.js 制作 FWA/A至美ards 获奖站点 推荐vue入门简单公司用愁没要react入门难函数式编山告程吓啊真用angular推

融合标准 ：以融合数据与数据真实值的偏差作为数据融合方法的稳定性判定依据。

所提方法 ：加权最小二乘法在数据融合

常用的融合方法有：

加权最小二乘法融合

对于数据线性模型基于加权最小二乘法融合算法为：

所提方法 ：基于多维特征融合（几何特征、颜色特征和纹理特征）与 Adaboost-SVM 强分类器的车辆目标识别算法。

仅提取了大量特征，文中直接说对构建多维特征向量。

首先用光流法提取步态周期，获得一个周期的步态能量图（GEI）；然后分三层提取 GEI的 LBP特征，得到三层的 LBP图像；依次提取每层LBP图像的HOG特征，最后将每层提取的LBP和HOG特征融合（串联拼接），得到每层的新特征最后将三个新特征依次融合成可以用于识别的最终特征。

提出一个FLANN结构进行特征融合，functional link artificial neural networks。FLANN是一个单层非线性网络，输入X_k是n维向量，输出y_k是一个标量，训练数据集为{X_k, y_k}，偏置集合T用来增强网络的非线性能力，这些函数值的线性组合可扮氏液以用它的矩阵形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要区别是FLANN只有输入和输出层，中间的隐藏层完全被非线性映射代替，事实上，MLP中隐藏层的任务由Functional expansions来执行。

三种Functional expansions :

提出了三种融合策略：早期融合、中期融合和晚期融合。早期融合也就是特征级融合，决策级融合也就是晚期融合。

特征级融合 ：

直接将不同方法提取的特征进行串联。

多核学习（Multiple kernel learning, MKL) :

参考自文献。MKL由巴赫创立。核学习算法在多类问题的分类任务中表现出良好的性能。为了将内核学习算法应用于特征组合，每个单独的内核与每个特征链接在一起。因此，特征组合问题就变成了核组合问题。在支持向量机中，采用单核函数，而在MKL中，利用核的求和或积定义了不同核的线性组合。

提出一种新颖的系统，它利用训练好的卷积神经网络（CNN）的多阶段特征，并精确地将这些特征与一系列手工特征相结合。手工提取的特征包括三个子集：

所提出的系统采用一种新颖的决策级特征融合方法对ECG进行分类，分别利用了三种融合方法：

在多数表决的基础上，将三种不厅物同分类器的个体决策融合在一起，并对输入的心电信号分类做出统一核裤的决策。

通过对图像进行对偶树复小波变换（DTCWT）和快速傅里叶变换（FFT）提取特征，将二者通过 算数加法（arithmetic addition） 融合为一个特征集合。

DTCWAT特征 ：对图像进行5层小波分解得到384个小波系数

FFT特征 ：采用傅里叶变换生成图像的绝对系数，然后排序后取前384个作为fft特征

算数加法特征融合 ：

本文提出了一种快速的特征融合方法将深度学习方法和传统特征方法相结合。

浅层网络结构 ：

每个特性的重要性应根据应用程序和需求的不同而有所不同。因此，为了实现动态权值分配，我们提出了多特征融合模型。

使用Curvelet变换进行特征提取，因为它有效地从包含大量C2曲线的图像中提取特征。Curvelet Transform具有很强的方向性,能更好地逼近和稀疏表达平滑区域和边缘部分。

我们应用了基于包装的离散Curvelet变换，使用了一个实现快速离散Curvelet变换的工具箱Curvelab-2.1.2。在实验中使用了默认的方向和5层离散Curvelet分解。

使用标准差进行降维

串联融合方法

在本文中，提出了一种深度多特征融合方法（Deep multiple feature fusion，DMFF）对高光谱图像进行分类。

基于gcForest的思想，提出了DMFF方法。

gcForest

gcForest模型主要包含两个部分：

DMFF

DMFF去掉了Multigrained Scanning，缺失了多样性输入，因为采用多特征来进行弥补。随即森林都是同一种类型。

---