این پروژه لغات مورد نظر را به ترتیب حروف الفبا در درختی باینری نگه داری می کند.
قابلیت ذخیره و بازیابی در فایل نیز وجود دارد.
پیاده سازی با استفاده از لیست پیوندی و به زبان سی پلاس پلاس بوده است.
پروتکل های مبتنی بر قفل کاربردی ترین روش کنترل همروندی میباشند. در این روش که بر اساس تخصیص داده ها به تراکنشها است، هرگاه تراکنشی بخواهد برای خواندن یا نوشتن به داده ای دسترسی داشته باشد، ابتدا درخواست قفل مناسب با آن دستور را به واحدی به نام مدیر قفل (Lock Manager) میدهد.
مدیر قفل هر درخواست رسیده برای یک داده را با قفلهایی که احیانا توسط تراکنشهای دیگر روی آن داده زده شده است مقایسه میکند. اگر این درخواست سازگار و مجاز باشد، درخواست مربوطه اجابت شده و روی داده قفل زده می شود و تراکنش میتواند به آن داده دسترسی داشته باشد. اما چنانچه درخواست قفل به دلیل عدم سازگاری با قفلهای از پیش زده شده اجابت نشود، تراکنش به حالت انتظار میرود تا زمانی که قفل های زده شده روی آن داده طوری آزاد شوند که قفل درخواستی مجاز باشد.
در قفل دوحالتی (باینری) ، داده یا قفل است یا باز. اشتراک داده ها وجود ندارد و در خواست تراکنشها فقط در صورت باز بودن قفل داده مربوطه اجابت میشود.
در قفل باینری در صورتیکه یک تراکنش مثل T1 به قفلی بر روی داده ای مثل A نیاز داشته باشد که آن قفل در اختیار تراکنش دیگری مثل T2 باشد و درخواستش اجابت نشود و متقابلا تراکنش T2 به قفلی بر روی داده ای مثل B نیاز داشته باشد که آن قفل در اختیار تراکنش T1 باشد و درخواستش اجابت نشود یک انتظار چرخشی بوجود می آید که به آن بن بست (DEADLOCK) میگویند.
خوب اینم برنامه ای این برنامه برای درس ساختمان داده که تمام اعمال مربوط به ایجاد درخت (Tree) , پیمایش درخت بصورت inorder , preorder postorder و جستجوی باینری با استفاده از لیست پیوندی می باشد
فرمت ترجمه مقاله : word – قابل ویرایش
تعداد صفحات ترجمه مقاله : ۳۶ صفحه
دانلود اصل مقاله رایگان
قیمت : ۲۵۰۰۰ تومان
چکیده مقاله
تحقیقات در زمینه‌ی تشخیص حالت چهره، در تصاویر چهره تنها به صورت دید روبرو انجام شده است. تلاش‌هایی برای تولید طبقه‌بندهای حالت چهره‌های متغیر انجام شده است. با این حال، اکثر این تلاش‌ها تنها تغییرات افقی تا ۴۵ درجه را در نظر گرفته‌اند که همه‌ی چهره مشخص است. کارهای اندکی برای بررسی پتانسیل ذاتی حالات مختلف برای تشخیص حالت چهره انجام شده است. این امر عمدتاً به دلیل پایگاه داده‌های موجود است که تنها تصاویری از چهره از دید روبرو را می‌اندازند. پایگاه داده‌های اخیرBU3DFE و multi-pie تحقیقات تجربی تشخیص حالت چهره برای زوایای دید مختلف را اجازه می‌دهند. یک روش دو مرحله‌ای برای طبقه‌بندی حالت و طبقه‌بندی حالت چهره مستقل از دید در نظر گرفته شده است. الگوهای باینری محلی (LBP) و تغییرات LBPها به عنوان توصیفگرهای بافتی بررسی میشود. این ویژگی‌ها، بررسی تأثیر موقعیت و تحلیل چند وضوحی برای تشخیص حالت چهره با چندین دید را اجازه می‌دهند. تأثیر حالت روی حالات مختلف چهره بررسی شده است. عوامل دیگر شامل وضوح و ایجاد بردارهای ویژگی محلی و سراسری بررسی شده است. از یک روش مبتنی بر ظاهر با تقسیم تصویر به زیر بلوک‌های قرار گرفته در چهره استفاده شده است. بردارهای ویژگی شامل هیستوگرام‌های الحاقی ویژگی ایجاد شده از هر زیر بلوک است. از ماشین‌های بردار پشتیبان چند کلاسی، برای یادگیری حالت و طبقه‌بندهای حالت چهره‌ی مستقل از موقعیت استفاده شده است.