aicc怎麼刪除歷史打開記錄

Ⅰ 怎樣把先安裝的AIcc版本徹底卸載

最徹底的卸載就是在文件里徹底刪除這款APP的文件，不肯定的話備份數據恢復出廠設置。

Ⅱ AI CS6和AI CC哪個好

軟體還是看順手，不過CC新增了許多功能，如果用的上的話建議更換。不常用的話CS6就可以滿足需要了，不需要追最新版本

下面是 CC 2018新增的一些功能：

2017年10月 Adobe 公司推出了新版的Adobe Photoshop CC 2018，推出了一些令設計人員、數字攝影師和插圖製作人員心動無比的新增功能。請繼續閱讀有關這些尺州罩新增功能的快速介紹以及包含了更多信息的資源鏈接。

1、Photoshop CC 2018 新增功能：畫筆相關的功能

描邊平滑：Photoshop 現在可以對您的描邊執行智能平滑。在使用以下工具之一時，只需在選項欄中輸入平滑的值 (0-100)：畫筆、鉛筆、混合器畫筆或橡皮擦。值為 0 等同於 Photoshop 早期版本中的舊版平滑。應用的值越高，描邊的智能平滑量就越大。

描邊平滑在多種模式下均可使用。單擊齒輪圖標 (

用於將圖像存儲為 PNG 的新選項

19、Photoshop CC 2018 已知問題

（1）當您在「選擇並遮住」工作區中使用調整邊緣畫筆時，Photoshop 有時會停止響應。作為此問題的一種解決方法，可禁用首選項 > 性能 > 高級設置 > 使用 OpenCL。

（2）（僅限使用單個 GPU 並運行 OS X 10.11 的 MacBook）在使用調整邊緣畫筆時，您可能會注意到沿您所修飾的圖像區域邊緣存在嚴重失真。作為此問題的一種解決方法，可升級到 macOS 最新版本，或者關閉 OpenCL（取消選擇首選項 > 性能 > 高級設置 > 使用 OpenCL）。

詳情可以看下方鏈接

網頁鏈接

Ⅲ 加班費的朋友圈怎麼發

剛開始用R做空間分析的時候，也遇到過這個問題。R這種開源的東西，優點是各種包很豐富，缺點是有些包的說明寫得很亂，地理加權回歸（GWR）的R包其實功能很強大，但大部分說明都不大靠譜。

GWR在R裡面可以用好幾個不同的包來實現，其中步驟最簡單的是spgwr。思路就兩步：建立窗口、用窗口掃全局。這其實就是GWR本質上的兩步。比如我要在全美國范圍內統計某兩個（或多個）變數之間的回歸關系，我可以做一個全局回歸（global regression），但因為這些變數在空間分布上或許會有異質性（heterogeneity），表現在統計結果上就是空間不穩定性（nonstationarity），因此只看全局的統計，可能看不出什麼結果來。舉個不完全恰當但是很容易領會精神的例子，你比如說，我要分析亞洲范圍內，經濟發展程度與牛肉銷量之間的關系，經濟越發達的地方，人們就越吃得起牛肉。可是等我統計到印度的時候，壞了，印度大部分人不吃牛肉，這不是經濟狀況導致的，這一下就影響了全局統計的參考價值，那怎麼辦呢？我們可以建立一個窗口（正規說法是帶寬窗口，bandwidth window），每次只統計窗口范圍內的經濟與牛肉銷量的關系，然後用這個窗口去掃過全局的范圍。等統計到印度的時候，印度內部的各地和印度自己比，吃牛肉的人的比例就不會突然減少，這樣就能減少這種空間不穩定性對全局統計的影響。

所以，第一步就是要建立這樣一個『窗口』。當然了，首先要安裝包，我們要用到的R包有：

library(spgwr)
library(rgdal)
library(sf)
library(spData)
library(sp)
library(lattice)
library(ggplot2)
library(ggthemes)
其中，spgwr是做GWR的包，rgdal是用來讀取矢量要素的，sf，sp和spData都是用來處理矢量數據的，別的基本都是畫圖用。

以下默認你會R和GWR的基本操作。並且，以下只展現方法，不要糾結我的數據和結果，我隨便找的數據，這個數據本身沒有什麼意義，所以做出的統計看起來很『壯觀』。

我們先導入數據。這里我用的是美國本土48州各個縣（county，也數棚有翻譯成郡的）的人口普查數據和農業數據，來源是ESRI Online資料庫。為啥用這個數據呢？因為...我電腦裡面就存了這么個可以用來做GWR的數據...

我們用rgdal讀取數據，然後把它畫出來看看

require(rgdal)
usa_agri <- readOGR(dsn = "~/Documents/Spatial", layer = "usa_counties")
plot(usa_agri)
會得到這個東西：

readOGR裡面，dsn後面加儲存shp的路徑（加到文件夾為止），layer後面寫shp的文件名（不加.shp）。不喜歡rgdal的同學可以不用，用maptools或者spData等別的處理shp的R包代替。不過如果用maptools，要注意處理一下參考系。

我們看一下這個shp裡面的列聯表都有什麼：

可見，shp裡面有3108個縣的數據，數據有61種。然後再看data下面有什麼：

總之就是各種人口普查的數據，後面截不完圖，還有經濟、房地產和農業之類的數據。那我薯笑們就隨便選兩個來當變數。我就隨便挑了，因變數選AVESIZE12，即2012年各個縣農場的平均佔地面積。自變數選POP_SQMI，也就是人口密度（每平方英里的人口）。

現在正式建立窗口，調用的是spgwr裡面的gwr.sel函數：

bw <- gwr.sel( AVE_SIZE12 ~ POP_SQMI, data = usa_agri, gweight = gwr.Gauss,
verbose = FALSE, method = "cv")
其中~前後分別是因變數和自變數。GWR里因變數只能有1個，但自變薯手則量可以選多個，如果需要多個自變數的話，就在代碼POP_SQMI之後用+號連接就行。gweight是你的空間加權的函數（隨空間距離增大而不斷衰減的函數，衰減率由下面要提到的帶寬控制），這里用的是比較常用的高斯函數，其餘的還有gwr.bisquare等函數可以調用。verbose決定是否匯報制定窗口的過程。method是決定構建帶寬窗口模型的方法，這里用的cv指的是cross validation，即交叉驗證法，也是最常用的方法，簡單說就是把數據分成不同的組，分別用不同的方法來做回歸計算，計算完了之後記錄下結果，然後打亂重新分組，再回歸計算，再看結果，周而復始，最後看哪種計算方法的結果最靠譜，這種方法就是最優解。還有一種很常見的選擇最佳擬合模型的方法是AIC optimisation法，把method後面的cv改成aic就可以用。具體AIC optimisation是什麼：AIC（赤池信息准則）_網路。總之，空間加權函數和帶寬窗口構建方法的選擇是GWR裡面十分重要的步驟。

以上便是固定帶寬窗口的示意圖。比如我在對喬治亞做GWR，這一輪的regression target是紅色的這個縣，根據做出來的窗口，圓圈以內的縣都要被算為紅色縣的鄰縣，其權重根據高斯函數等空間權重函數來賦值，而圓圈以外的縣，空間權重都賦為0。

不喜歡固定帶寬窗口的同學也可以不用它，而是用符合Tobler地理學第一定律的非固定帶寬鄰域統計，操作方法是在gwr.sel裡面加一個命令adapt = TRUE，這樣的情況下，根據你設置的k鄰居數，每一輪統計的時候，和本輪對象在k以內相鄰的多邊形的權重參數會被賦值為0到1之間的一個數，比如下圖:

我在對喬治亞做GWR，這一輪的regression target是紅色的這個縣，那麼圖上標為1的縣就是紅色縣的1階鄰縣，標為2的是2階（鄰縣的鄰縣），標為3的是3階（鄰縣的鄰縣的鄰縣）。如果用非固定帶寬鄰域統計，k為3，那麼1、2、3都被定義為紅色縣的鄰縣，它們的權重從3到1依次增加，會按比例被賦上0和1之間的值，而其它沒有標注的縣，權重為0。

下一步就是用前一步做出的窗口去掃過全局區域：

gwr_result <- gwr(AVE_SIZE12 ~ POP_SQMI, data = usa_agri, bandwidth = bw,
gweight = gwr.Gauss, hatmatrix = TRUE)
這一步如果數據量大，可能會要跑一陣，跑完之後我們看看結果裡面有什麼：

Call:
gwr(formula = AVE_SIZE12 ~ POP_SQMI, data = usa_agri, bandwidth = bw,
gweight = gwr.Gauss, hatmatrix = TRUE)
Kernel function: gwr.Gauss
Fixed bandwidth: 205880.3
Summary of GWR coefficient estimates at data points:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 7.3883e+01 2.1081e+02 3.2802e+02 6.6691e+02 8.5705e+03 625.5656
POP_SQMI -8.0085e+01 -4.5983e-01 -1.4704e-01 -7.3703e-02 -2.1859e-03 -0.0426
Number of data points: 3108
Effective number of parameters (resial: 2traceS - traceS'S): 119.6193
Effective degrees of freedom (resial: 2traceS - traceS'S): 2988.381
Sigma (resial: 2traceS - traceS'S): 1048.78
Effective number of parameters (model: traceS): 84.90185
Effective degrees of freedom (model: traceS): 3023.098
Sigma (model: traceS): 1042.741
Sigma (ML): 1028.4
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 52109.55
AIC (GWR p. 96, eq. 4.22): 52017.7
Resial sum of squares: 3287040139
Quasi-global R2: 0.4829366
基本上你做GWR該需要的結果這里都有了。比如窗口大小（Fixed bandwidth）是205880.3，意思是前一步構建的帶寬窗口是半徑205.88千米的圓。Effective number of parameters顯示的是你帶寬窗口的大小合不合適。Sigma是殘差的標准差，這個值要盡量小。Resial sum of squares（RSS）也是對擬合程度的一個評估值。最重要的是最後那個R2，越靠近1說明統計的擬合度越好。我這裡面Sigma很大，R2也不是很大，因為我這里只是呈現方法，用的數據本來就是互不相干、沒什麼太大意義的，所以不用太糾結。如果你是真正的統計數據要來做GWR，就需要注意這些值了。

然後，我們就可以把每個縣的R2畫在地圖上。首先，前面報告里的這些數據，比如R2，要先自己去生成的GWR結果裡面去找，然後自己再算一下每個縣的local R2，並把它們賦值到shp裡面去：

globalR2 <- (1 - (gwr_result$results$rss/gwr_result$gTSS))
sp <- gwr_result$SDF
sf <- st_as_sf(sp)
然後就可以各顯神通畫地圖了，我一般還是用ggplot外加ggthemes來畫這種地圖，畢竟最方便：

ggplot() + geom_sf(data = sf, aes(fill=localR2)) +
coord_sf() +
theme(panel.grid.major = element_line(color = "black")) +
ggtitle(paste("Local R2")) +
labs(subtitle = paste("Global R2:", round(globalR2, 6) ) )
看效果：

如果你想plot別的東西，比如gwr.e等等，就從gwr_result$SDF提取或者計算，然後改sp和sf就行。

以上是一種情況，即你擁有的是帶有不同變數的多邊形矢量數據。那還有一種情況，就是你現在沒有多邊形，而是一堆點狀數據，想要用R來做GWR，應該怎麼辦。比如我現在導入一個儲存為csv的點狀數據。數據還是和上面一樣的，只不過每一個縣都變成了一個點。

usa_points <-
read.csv("~/Documents/Spatial/usa_counties.csv",
stringsAsFactors = FALSE)
str(usa_points) #查看它的數據結構
查看數據結構，這個csv裡面有經緯度數據，分別是lat和long。

然後我們把AVE_SALE12的數據畫在地圖上看看：

attach(usa_points)#讓head裡面的lat和long可讀
map = SpatialPointsDataFrame(data=usa_points, coords=cbind(long, lat))
colours = c("dark blue", "blue", "red", "dark red")
spplot(map, "AVE_SALE12", cuts=quantile(AVE_SALE12), col.regions=colours, cex=1, main = "AVE_SALE12")
這里是給分了4個組，用了四種顏色，cuts後面直接用的quantile命令。如果要自己手動分組，cuts後面可以自己改成seq( )。效果：

再畫一個POP_SQMI的數據：

然後plot一個全局的看看：

plot(AVE_SALE12 ~ POP_SQMI, data=map)
好吧這個數據簡直了，不過沒關系，只展示過程，數據不重要233

然後嘗試一下線性回歸（電腦你不要揍我233）

line_fit1 = lm(AVE_SALE12 ~ POP_SQMI, data=map)
abline(line_fit1, col= "red")
summary(line_fit1)
得到：

以及：

Call:
lm(formula = AVE_SALE12 ~ POP_SQMI, data = map)

Resials:
Min 1Q Median 3Q Max
-197406 -153151 -80701 53722 5203063

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 197413.019 5308.363 37.189 < 2e-16 ***
POP_SQMI -8.763 2.867 -3.057 0.00225 **
---
Signif. codes: 0 『***』 0.001 『**』 0.01 『*』 0.05 『.』 0.1 『 』 1

Resial standard error: 292800 on 3106 degrees of freedom
Multiple R-squared: 0.003, Adjusted R-squared: 0.002679
F-statistic: 9.346 on 1 and 3106 DF, p-value: 0.002254
總之這個數據很扯，但是這上面該統計的基本都有了。

然後我們用地圖plot一下它的resial：

resids = resials(line_fit1)
colours = c("dark green", "green", "yellow", "orange")
map.resids = SpatialPointsDataFrame(data=data.frame(resids),coords=cbind(long, lat))
spplot(map.resids, cuts=quantile(resids), col.regions=colours,cex=1, main = "Resials")
以上是全局的。然後我們如法炮製，構建窗口，再用窗口掃描全局。這次我們試一下adaptive bandwidth：

bw2 = gwr.sel(AVE_SALE12 ~ POP_SQMI, data=map, adapt=TRUE)
gwr.points = gwr(AVE_SALE12 ~ POP_SQMI, data=map, adapt=bw2, hatmatrix=T, se.fit=T)
得到：

Call:
gwr(formula = AVE_SALE12 ~ POP_SQMI, data = map, adapt = bw2,
hatmatrix = T, se.fit = T)
Kernel function: gwr.Gauss
Adaptive quantile: 0.001270918 (about 3 of 3108 data points)
Summary of GWR coefficient estimates at data points:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 3.3258e+03 7.9850e+04 1.4648e+05 2.7318e+05 2.2266e+06 197413.0190
POP_SQMI -1.4418e+04 -2.1415e+02 -5.1995e+01 -3.3218e+00 6.0489e+04 -8.7635
Number of data points: 3108
Effective number of parameters (resial: 2traceS - traceS'S): 734.2409
Effective degrees of freedom (resial: 2traceS - traceS'S): 2373.759
Sigma (resial: 2traceS - traceS'S): 199028.2
Effective number of parameters (model: traceS): 521.6917
Effective degrees of freedom (model: traceS): 2586.308
Sigma (model: traceS): 190674.6
Sigma (ML): 173937.2
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 85082.39
AIC (GWR p. 96, eq. 4.22): 84346.86
Resial sum of squares: 9.402988e+13
Quasi-global R2: 0.6478699
看起來adaptive帶寬比前面的固定帶寬要好一點。

然後給它畫出來：

head(gwr.points$SDF)
spplot(gwr.points$SDF, "POP_SQMI", cuts=quantile(gwr.points$SDF$POP_SQMI), col.regions=colours, cex=1, main="GWR")
然後我們再多做一步吧，查看一下哪些地區的農場面積和人口密度之間的關系是顯著的，這就要用t檢驗，比如假設我們根據這個例子，查了雙側t分布檢驗，置信區間95%，發現他落在-4到4之間說明關系顯著：

t = gwr.points$SDF$POP_SQMI / gwr.points$SDF$POP_SQMI_se
sig.map = SpatialPointsDataFrame(map, data.frame(t))
ramp=c("pink","light blue","pink")
breaks=c(min(t),-4,4,max(t))
spplot(sig.map, cuts=breaks, col.regions=ramp, cex=c(0.5, 0.3, 0.5), main = "t - Value")
圖裡面，顯著的地方用淺藍表示，具體的student t分布的理論內容可以參考http://www.hu.com/question/30753175 。

根據人口密度來估計的農場規模（可以和真實的農場規模地圖對比）：

spplot(gwr.points $SDF, "pred",col.regions=colours, main = "Predicted Value")
標准誤差（好大的誤差哈哈哈）：

spplot(gwr.points $SDF, "pred.se", col.regions=colours, main = "Standard Error")
其實點狀數據GWR做到這里已經差不多了，可是有個搞事的。ESRI的網上說，點狀數據是不建議直接做GWR的，其實它的意思是建議要想辦法把點狀數據轉換為多邊形，就可以做了。那怎麼搞呢？有兩種常見思路。

第一種是做希森多邊形（Shan Ye：哪些新事物的出現，引發了看似毫無關聯的領域的變革？）：

先添加幾個R包：

library(spatstat)
library(maptools)
library(tmap)
library(raster)
我們先找一個美國本土單個的shp多邊形要素，然後把它和點狀要素花在一張圖上：

require(rgdal)
usa <- readOGR(dsn = "~/Documents/Spatial", layer = "usa_boundary")
tm_shape(usa) + tm_polygons() + tm_shape(map) + tm_dots()
然後我們發現因為數據來源不一樣，有的點狀數據落在了美國輪廓的外面。為了做希森多邊形，我們必須cut一下點狀數據，把落在外面的暫時刪除掉。

map@bbox <- usa@bbox
然後建立希森多邊形：

th <- as(dirichlet(as.ppp(map)), "SpatialPolygons")
th <- as(th ,"SpatialPolygons")
之後把點狀數據列聯表裡的東西全都賦值到希森多邊形里，再沿著美國的邊緣裁剪一下：

th.z <- over(th, map, fn=mean)
th.spdf <- SpatialPolygonsDataFrame(th, th.z)
th.crop <-crop(th, usa)
搞定，然後就可以按照前面說的多邊形GWR的方法做下去了。

第二種思路是建立空間網格（和這個思路一樣：Shan Ye：中國歷史上發生有史料記載的戰爭最多的區域是哪裡？）

畫格子有兩種常見操作：

第一種，首先查一下你的數據的空間范圍

bbox(usa)
bbox(map)
然後根據范圍（from和to），以及你想要的網格大小（by），建立網格的x和y坐標，並組成網格。

x <- seq(from = -13883452, to = 2898563, by = 15000)
y <- seq(from = -7454985, to = 6338173, by = 15000)
xy <- expand.grid(x = x, y = y)
class(xy)
str(xy)
然後把網格轉換成spatial data frame：

grid.pts<-SpatialPointsDataFrame(coords= xy, data=xy)
plot(grid.pts)
gridded(grid.pts)
class(grid.pts)

gridded(grid.pts) <- TRUE
gridded(grid.pts)
str(grid.pts)
plot(grid.pts)
然後把它和你的點數據對應，轉換成spatial data frame polygon（並且一起添加id之類的）

grid <- as(grid.pts, "SpatialPolygons")
plot(grid)
str(grid)
class(grid)
summary(grid)
gridspdf <- SpatialPolygonsDataFrame(grid, data=data.frame(id=row.names(grid), row.names=row.names(grid)))
names.grd<-sapply(gridspdf@polygons, function(x) slot(x,"ID"))
text(coordinates(gridspdf), labels=sapply(slot(gridspdf, "polygons"), function(i) slot(i, "ID")), cex=0.3)
points(map)
str(gridspdf@polygons)
第二種，是直接在你的點狀數據上畫

extent <- extent(bbox(map)) # 格子覆蓋點數據的范圍
raster <- raster(extent) #畫格子
dim(raster) <- c(50, 100) # x和y方向上各自要多少個格子
projection(raster) <- CRS(proj4string(map)) # 設定投影，和點數據一樣
grid <- as(raster, 'SpatialPolygonsDataFrame') # 轉化為多邊形
tm_shape(grid) + tm_polygons() + tm_shape(map) + tm_dots(col="red", size=0.3)
然後，我們把點狀要素的值給賦到格子里去。這里可以用另一個包：

library(GWmodel)
Dist_matrix <- gw.dist(dp.locat=coordinates(map),rp.locat=coordinates(grid))
用這個包建立一個距離矩陣，然後這個包裡面也有可以做GWR的功能：

gwr.res <- gwr.basic(AVE_SIZE12 ~ POP_SQMI, data=map, regression.points=grid, bw=500000, dMat=Dist_matrix, kernel='gaussian')
這里的帶寬窗口我手動給設成了500公里。空間權重還是用的高斯。然後結果是：

***********************************************************************
* Package GWmodel *
***********************************************************************
Program starts at: 2018-12-13 02:50:16
Call:
gwr.basic(formula = AVE_SIZE12 ~ POP_SQMI, data = map, regression.points = g,
bw = 5e+05, kernel = "gaussian", dMat = DM)

Dependent (y) variable: AVE_SIZE12
Independent variables: POP_SQMI
Number of data points: 3108
***********************************************************************
* Results of Global Regression *
***********************************************************************

Call:
lm(formula = formula, data = data)

Resials:
Min 1Q Median 3Q Max
-702 -464 -366 -110 37326

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 625.56560 25.90080 24.152 < 2e-16 ***
POP_SQMI -0.04265 0.01399 -3.049 0.00231 **

---Significance stars
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Resial standard error: 1429 on 3106 degrees of freedom
Multiple R-squared: 0.4984
Adjusted R-squared: 0.4663
F-statistic: 9.297 on 1 and 3106 DF, p-value: 0.002314
***Extra Diagnostic information
Resial sum of squares: 6338159253
Sigma(hat): 1428.502
AIC: 53979.52
AICc: 53979.53
***********************************************************************
* Results of Geographically Weighted Regression *
***********************************************************************

*********************Model calibration information*********************
Kernel function: gaussian
Fixed bandwidth: 5e+05
Regression points: A seperate set of regression points is used.
Distance metric: A distance matrix is specified for this model calibration.

****************Summary of GWR coefficient estimates:******************
Min. 1st Qu. Median 3rd Qu. Max.
Intercept 625.565604 625.565604 625.565604 625.565604 625.5656
POP_SQMI -0.042649 -0.042649

Ⅳ 用coreldraw 開啟AI檔案出現未能為檔案建立記憶體映象，是怎麼回事啊

用coreldraw 開啟AI檔案出現未能為檔案建立記憶體映象，是怎麼回事啊？

把AI存為10版本，選中轉了低版本的檔案拖入CDR14就行，前提是檔案不能太復雜，AI沒做效果的檔案

開啟AI檔案時出現檔案不可讀是怎麼回事

。。。向量圖檔案 。。
檔案損壞了 所以不可讀
或者是 版本不同 這個檔案是拷貝的吧？
如果是新版本製作拷貝到老版本上 也會出現不可讀情況

AI檔案無法開啟是怎麼回事啊

adobe illustrator可以編輯， 這個是失量圖處理軟體。
ai就是它這個軟體預設儲存得副檔名。
ps也可以開啟，acdsee應該可以開啟的

開啟AI檔案後出現圖中所示，是怎麼回事？

已經上傳MicrosoftYaHei-Bold
字型下載

下載 請採納!!!!!!!!謝謝你

AI檔案打不開是怎麼回事？

打不開是因為你Ai的版本比這個Ai檔案版本低。
最好的辦法是下載最新版AiCC，別老用舊產品嘛，就像很多人死纏著Office2003不換，鬧啥樣啊。

AI檔案在開啟時出現「檔案已損壞，且無法修復」是怎麼回事啊？

那就是壞了，換台機器，或不同版本的ai試試，總會發生這樣的情況，盜版的，或者線條不太規范

檔案開啟是怎麼回事，顯示該記憶體不能為「written」

朋友，電腦出現：記憶體不能為written，原因總結起來，有以下方面！偶然出現，點：取消，即可！
（答案原創,本答案原作者：力王歷史）
1.電腦中了木馬或者有病毒在干擾！
試試：防毒軟體，360安全衛士+360防毒雙引擎版，或者金山衛士+金山磨盯毒霸，
建議：使用「木馬雲查殺」和「360防毒」，「全盤掃描」和「自定義掃描」病毒和木馬，刪除後，重啟電腦！
開機後，點開「隔離|恢復」，找到木馬和病毒，徹底刪除！
2.如果第1種方法不行，下載個「360系統急救箱」，賣兄或者「金山系統急救
箱」！
先「全盤查殺」，查殺完畢，刪除「可疑自啟動項」和木馬，再重中游襲啟電腦！
然後點開「隔離|恢復」區，找到「可疑自啟動項」和木馬，點「徹底刪除」!
再點開「修復」，「全選」，再點「修復」！
3.你下載的「播放器」，或「聊天軟體」，或「IE瀏覽器」，或者「驅動」，或
「游戲」的程式不穩定，或者「版本太舊」！建議卸掉，下載新的，或將其升級
為「最新版本」！
4.軟體沖突，你安裝了兩款或兩款以上的同類軟體（如：兩款播放器，兩款
qq，或多款瀏覽器，多款防毒軟體，多款網游等等）！它們在一起不「相容」，
卸掉「多餘」的那一款！
5.解除安裝方法：你在電腦左下角「開始」選單里找到「強力解除安裝電腦上的軟體」，找到多餘的那款卸掉！ 卸完了再「強力清掃」！
或者「360安全衛士」，「軟體管家」，點開，第4項：「軟體解除安裝」，點開，找
到「多餘」和「類似」的軟體解除安裝！如：「播放器」，點開，留下「暴風」，解除安裝「快播」！如：「下載」：點開，留下「迅雷」，解除安裝「快車」！（看準了再卸，別把有用的卸了）
6.再不行，重啟電腦，開機後按「F8」，回車，回車，進到「安全模式」里，「高階啟動選項」，找到：「最後一次正確配置」，按下去試試，看看效果如何！
7.再不行，開始選單，執行 ，輸入cmd， 回車，在命令提示符下輸入(復制即可) :
for %1 in (%windir%system32*.dll) do regsvr32.exe /s %1
貼上，回車，直到螢幕滾動停止為止，重啟電腦！
8.實在不行就「一鍵還原」系統或「重灌系統」！

AI檔案出現開啟錯誤怎麼回事？

之前我也是有這個問題，重灌就可以了。

開啟Coreldraw時出現未能建立DOM檔案，提示沒有注冊類別是怎麼回事

CorelDraw12 在某些winxp版本中安裝後打開出現"未能建立DOM檔案，沒有注冊類別，校驗MSXML4安裝"打開出現"未能建立DOM檔案 出現這種情況不是下載的CorelDraw12檔案是壞的，這是一些WInXp版本沒有預設安裝MSXML的原因，而CorelDraw12需要這個外掛，解決問題方法就是安裝這個外掛。
下載msxmlchs.msi (不行就重新整理下）
補充辦法：
安裝好msxmlchs.msi後,如果問題還是存在,按下面方法 括弧里的不用輸入
1.開始-執行
2.鍵入:regsvr32 /u msxml4.dll (this mand line de-registers MSXML4.DLL)
3.回車4.再鍵入: regsvr32 msxml4.dll (DLL is re-registered)
5.再回車
6.最後再執行CorelDRAW 12

Ⅳ 關於SCORM標准以及AICC標準的資料

SCORM2004中文版文檔 SCORM標准介紹

首先了解什麼是scorm？scorm的目的與意義？經及scorm教材的製作。

SCORM起源於1997年，由美國白宮科技辦公室與國防部所共同推動的ADL先導計劃（Advanced Distributed Learning Initiative）中提出，希望透過「教材重復使用與共享機制」的建立，來縮短開發時間、減少開發成本、促成能在各學習平台間流通自如，同時在SCORM教材共享機制下，也能達成大幅降低訓練費用的目標。為推動廠商開發具備上述特質的教材，研訂出一套相互關連的技術指引，簡稱為SCORM (Sharable Course Object Reference Model)。

Scorm是sharable content object reference model(可共享對象參照模型)的縮寫，是由美國的教學管理系統全球化學習聯盟(ADL:Advanced Distributed Learning)所制定的遠程教育標准

SCORM標準的背景、意義、目的

前言
在21世紀中，隨著資訊科技的快速發展，電腦與網路科技之發展，以帶領我們進入一個數位學習（e-learning）的環境，有賴於國家競爭力的提升，運用網路的便捷，學習者可以不受時間與空間的限制，在最短的時間內尋找到所需陪敗的資源。就目前而言，若要設計一套網路脊昌教學系統，就必須要先建置教學教材資料庫。但由於時間與成本的花費，是一筆相當可觀的金額，並非在短時間內就可完成的。所以，如何運用現有的資源，讓彼此可以各取所需的分享教材資源，以縮短製作過程所需花費的時間與重復製作的浪費。因此，數位學習將是未來時代的重要趨勢。
為何需要SCORM
如上所說，科技資訊快速的發展，進入一個數位學習的環境，多數的學習網站，不論資訊質量多麼可觀，終究必須面對一些問題，一是「教材資源難以相互整合溝通」，二是「學習成效難以公正評估」。

數位學習活動的流程包括課程內容之數位化、課程教材的封裝、規范課程內容的傳遞模式與流程，學習過程的安排、記錄與追蹤，評量的方式等。數位學習標准之重要目的之一，便是將課程管理流程設定共通規格與方式的交換，以此為基礎，達到教材互通重復使用的功效，學習者也能輕易地各取所需。

除了課程管理的問題外，學習過程的交換，認證體系的建立等等，這些也都是數位學習標準的擬議內容，這些問題絕對是推動標准化進展的重要力量。數位學習的規格標准，所參考組織的技術規格，包括有AICC(Aviation Instry CBT committee)、 IMS (Instructional Management System)、IEEE (Institute of Electrical and Electronic Engineers) 、ARIADNE(Alliance of Remote Instructional Authoring & Distribution Networks for Europe)等；經過時期演進，以 ADL先導計劃所整理的 SCORM 標准與 Saba 公司所提出的ULF，對數位學習環境的穩定性、實用性為最高。且SCORM標准屬於建立基礎架構的重要環節，因此它有其存在的意義與價值，是進入數位學習環境的一大跳板。

※ULF (Universal Learning Format)：稱為「通用學習格式」，這是一個以XML為基礎的規格架構，由Saba公司所發展，用來交換各種不同形式的數位學習資料，包含了內容、學習資源目錄、認證資料庫、學力資料庫、及學習者學習過程等資訊。ULF 採用 XML 與 RDF 兩大資料規格。
SCORM的背景
SCORM起源於1997年，由美國白宮科技辦公室與國防部所共同推動的ADL先導計劃（Advanced Distributed Learning Initiative）中提出，希望透過「教材重復使用蘆野顫與共享機制」的建立，來縮短開發時間、減少開發成本、促成能在各學習平台間流通自如，同時在SCORM教材共享機制下，也能達成大幅降低訓練費用的目標。為推動廠商開發具備上述特質的教材，研訂出一套相互關連的技術指引，簡稱為SCORM(Sharable Course Object Reference Model)。
使用SCORM的目的
其目的在確保學習者無論在何時何地，希望能透過一套可重復存取、可再用、有耐久性、以及可相互溝通的建立，能及時獲取所需的高品質學習資源。【ADL提出最新的標准SCORM，整合了AICC的CMI規范與內容結構，IEEE的Meta-data Dictionary，IMS的Content Packaging與 metadata XML Binding and Best Practice規范。2000年元月，ADL推出SCORM 1.0，2001年元月，ADL推出SCORM 1.1，2001年10月，ADL推出SCORM 1.2，預料SCORM 1.3會很快推出。未來1.3與2.0以上版本涵蓋之范圍值得注意。】

SCORM（Sharable Content Object Reference Model）的出發點，決然與這些標准不同，從字眼裡就可看出它的核心即在「可共享」與「重復使用」的學習物件教材﹔它仍保有課程結構，更厲害的是它能夠讓電腦懂得這些物件到底是什麼內容，這要歸功Meta-data來描述它，而實際的檔案架構亦有特別規劃，以方便教材再次使用。

SCORM是Sharable Content Object Reference Model（可共享對象參照模型）的縮寫，是由美國的教學管理系統全球化學習聯盟（ADL：Advanced Distributed Learning）所制定的遠程教育標准。SCORM匯聚了現有標準的精華，未來將為電子化學習提供統一的基礎標准。美國主要的電子化學習學術研究中心--國防部，和所有的電子化學習產品提供商一起，精誠合作，為達到這一共同的目標而不斷地努力。

與此同時，每一個研究小組的研究成果都可以拿來借鑒，成為您探索電子化學習標准旅程上的指明燈，助您一臂之力。

許多縮略詞湧出
1997年11月DoD（美國國防部）和白宮科學技術辦公室共同成立了教學管理系統全球化學習聯盟（ADL），目的是為了促進電子化學習通用標準的發展。第一個ADL聯合實驗室（Co-Lab）是1999年在弗吉尼亞州的亞歷山大（Alexandria）成立；另外一個Co-Lab是在佛羅里達州的奧蘭多（Orlando）建成的，用以激勵ADL項目和系統采辦的協作發展。1999年間SCORM規范的最初版本開始出台，緊接著於2000年1月在威斯康辛--邁迪遜大學（Wisconsin-Madison）成立了學院式Co-Lab（Academic Co-Lab），專門服務於學府社區的研究，由朱迪·布朗（Judy Brown）作為這個Co-Lab的行政主任。幾乎與此同時，SCORM 1.0版本出台問世。 威斯康辛大學董事會（UWBR）於1997年成立威斯康辛大學學習創新組織（UWLI），支持威斯康辛大學26個校區的網路學位課程的開發。此外，UWLI還為學校外的組織提供咨詢和課件開發服務，UWLI與ADL保持著長期、友好的合作關系，頻繁參加Academic Co-Lab的各項活動，而且還為各項活動出資出力，同時也是這些活動的受益者。

Ⅵ AICC這種數字貨幣你們知道嗎

區塊鏈是任何人，任何國家都無法阻擋的大趨勢，因為歷史的長河畢竟都是永遠向前走的。所以說選擇大於努力，趨勢發展是不可以阻擋的，需要每一個人用睿智的眼光看到這個趨勢，未來的發展，區塊鏈是窮人最後的一次機會，500年難遇的一次金融變革。讓我們用全部的力量與全部的熱忱擁抱AICC,幣圈一天，互聯網十年，站在了風口浪尖上，當這個巨量的財富涌進來的時候，不知不覺把你推起來，進入富豪的行列。

模稜兩可的事情讓別人去做，

我們要做的就是別人看了敢買，

買了能掙錢的事，

資本市場上沒有傻子。

所有的十倍幣百倍幣在沒漲之前都是乎信橋垃圾！BTC是這樣，ETH也是這樣！發現他的上漲邏輯並且埋伏在早期！這是在幣圈必須要做的事情！

否則，如何暴富？

推廣他！

幣圈就是一個進場了就要宣傳的地方！

否則和咸魚沒有任何區別！

不要做原地等待的人！要做走進森林尋找寶藏源頭的那批人！

因為唯有暴富，方能解憂！

  1、AICC智能雲鏈是資深技術團隊旨在打造的AI人工智慧應用公鏈，新加坡基金會已成立，為AICC國際化保駕護航。國內運營中心落地武漢光谷，北京、上海、成都等地運營中心陸續籌建，可實地考察。摩登雞場、車載挖礦、線上商城、AICC交易所等眾多生態板塊將陸續上線，傾力打造AICC生態價值。

  2、AICC作為交易所平台代幣，未來升值空間巨大，總發行量3000萬枚，自帶銷毀函數，目前流通不到600萬枚，已經上鏈，數據公開透明，AICC現已並購黃金社區，再聯合AICC各個社區團隊大力推廣，2019年我們的目標劍指元一枚[發][發][發]

3、直推下級購置礦機可享一級8%、二級4%提成收益，永久享受一級2%、二級1%挖礦產出收益（無多級獎勵制度，走合法合規路線）

建議購買1000枚AICC，兌換1台大礦機，產出1750枚幣，可持AICC入股，終生享受交易所分紅(礦機即將取消，可兌換數量所剩無幾)

4、HJB黃金社區成功並入AICC基金會，成為AICC十大生態子項目之一，打造「行情+社區+資訊+交易」的一站式用戶體驗，為AICC未來發展保駕護航。可通過閱讀、分享黃金財經新聞挖礦免費獲取HJB。

------------------------------------------------

七月份車載實體挖礦上線將迎來全面爆發，絕對不容錯過的最佳入場時機

AICC發展重點解讀

發展重點解讀

交易所

交易所

1. 所有持AICC幣的會員，可持AICC入股，且AICC是唯一入股方式；

2 .AICC與幣圈頂級社區：黃金社區、白馬社區、比特社區長期深入合

作，為AICC交易所提供流量及項目方資源；

3. 交易所的30%收益權歸決策委員會所有；

4. 目前已有三家基於ETH發行的代幣、兩家基於EOS發行代幣確定首發AICC交易所；

5.AICC總量僅3000萬枚，永不增發，數量稀少；

6.AICC代幣作為AICC交易所平台幣流通發行；

7.AICC交易所主要盈利模式及歲猛運營方案詳見AICC交易所提案；

車載挖礦系統

車載挖礦系統

1.可以持AICC入股；

2.收益的30%歸決策委坦簡員會所有；

3.APP中本地生活包括但不限於汽車零配件購買、汽車美容、汽車修

理、二手車交易、持幣購車等等；

4.汽車商家入駐，玩家可以推薦，成功入駐有一定獎勵；

5.打造關於汽車的區塊生態；

現在的區塊鏈和數字貨幣很像1997年的互聯網，或許存在泡沫，但前景不可估量。

這個領域里一定會誕生未來的BAT，你現在真正要做的，是融入時代的大潮，一定不要掉隊。人最劃算的是，活在未來。用未來的標准，做好當下的選擇。

毫無疑問，AICC將是一個很好的選擇！

           

            投資有風險，入市需謹慎！！！

幣市遠比股市收益更高，風險也更大。幣市的籌碼更集中，莊家更強勢，24小時交易，無封頂無熔斷，一覺醒來賬上多了十幾萬，又一覺醒來虧了幾十萬。你剛買的幣，兩三天腰斬了，這一點都不奇怪，所以進入這個領域，必須首先要理性看待其中的風險並量力而行。

              如果有興趣的朋友歡迎評論和咨詢！

2019年6月23日 

作者:以以太坊