aicc怎么删除历史打开记录

Ⅰ 怎样把先安装的AIcc版本彻底卸载

最彻底的卸载就是在文件里彻底删除这款APP的文件，不肯定的话备份数据恢复出厂设置。

Ⅱ AI CS6和AI CC哪个好

软件还是看顺手，不过CC新增了许多功能，如果用的上的话建议更换。不常用的话CS6就可以满足需要了，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，推出了一些令设计人员、数字摄影师和插图制作人员心动无比的新增功能。请继续阅读有关这些尺州罩新增功能的快速介绍以及包含了更多信息的资源链接。

1、Photoshop CC 2018 新增功能：画笔相关的功能

描边平滑：Photoshop 现在可以对您的描边执行智能平滑。在使用以下工具之一时，只需在选项栏中输入平滑的值 (0-100)：画笔、铅笔、混合器画笔或橡皮擦。值为 0 等同于 Photoshop 早期版本中的旧版平滑。应用的值越高，描边的智能平滑量就越大。

描边平滑在多种模式下均可使用。单击齿轮图标 (

用于将图像存储为 PNG 的新选项

19、Photoshop CC 2018 已知问题

（1）当您在“选择并遮住”工作区中使用调整边缘画笔时，Photoshop 有时会停止响应。作为此问题的一种解决方法，可禁用首选项 > 性能 > 高级设置 > 使用 OpenCL。

（2）（仅限使用单个 GPU 并运行 OS X 10.11 的 MacBook）在使用调整边缘画笔时，您可能会注意到沿您所修饰的图像区域边缘存在严重失真。作为此问题的一种解决方法，可升级到 macOS 最新版本，或者关闭 OpenCL（取消选择首选项 > 性能 > 高级设置 > 使用 OpenCL）。

详情可以看下方链接

网页链接

Ⅲ 加班费的朋友圈怎么发

刚开始用R做空间分析的时候，也遇到过这个问题。R这种开源的东西，优点是各种包很丰富，缺点是有些包的说明写得很乱，地理加权回归（GWR）的R包其实功能很强大，但大部分说明都不大靠谱。

GWR在R里面可以用好几个不同的包来实现，其中步骤最简单的是spgwr。思路就两步：建立窗口、用窗口扫全局。这其实就是GWR本质上的两步。比如我要在全美国范围内统计某两个（或多个）变量之间的回归关系，我可以做一个全局回归（global regression），但因为这些变量在空间分布上或许会有异质性（heterogeneity），表现在统计结果上就是空间不稳定性（nonstationarity），因此只看全局的统计，可能看不出什么结果来。举个不完全恰当但是很容易领会精神的例子，你比如说，我要分析亚洲范围内，经济发展程度与牛肉销量之间的关系，经济越发达的地方，人们就越吃得起牛肉。可是等我统计到印度的时候，坏了，印度大部分人不吃牛肉，这不是经济状况导致的，这一下就影响了全局统计的参考价值，那怎么办呢？我们可以建立一个窗口（正规说法是带宽窗口，bandwidth window），每次只统计窗口范围内的经济与牛肉销量的关系，然后用这个窗口去扫过全局的范围。等统计到印度的时候，印度内部的各地和印度自己比，吃牛肉的人的比例就不会突然减少，这样就能减少这种空间不稳定性对全局统计的影响。

所以，第一步就是要建立这样一个‘窗口’。当然了，首先要安装包，我们要用到的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是用来读取矢量要素的，sf，sp和spData都是用来处理矢量数据的，别的基本都是画图用。

以下默认你会R和GWR的基本操作。并且，以下只展现方法，不要纠结我的数据和结果，我随便找的数据，这个数据本身没有什么意义，所以做出的统计看起来很‘壮观’。

我们先导入数据。这里我用的是美国本土48州各个县（county，也数棚有翻译成郡的）的人口普查数据和农业数据，来源是ESRI Online数据库。为啥用这个数据呢？因为...我电脑里面就存了这么个可以用来做GWR的数据...

我们用rgdal读取数据，然后把它画出来看看

require(rgdal)
usa_agri <- readOGR(dsn = "~/Documents/Spatial", layer = "usa_counties")
plot(usa_agri)
会得到这个东西：

readOGR里面，dsn后面加储存shp的路径（加到文件夹为止），layer后面写shp的文件名（不加.shp）。不喜欢rgdal的同学可以不用，用maptools或者spData等别的处理shp的R包代替。不过如果用maptools，要注意处理一下参考系。

我们看一下这个shp里面的列联表都有什么：

可见，shp里面有3108个县的数据，数据有61种。然后再看data下面有什么：

总之就是各种人口普查的数据，后面截不完图，还有经济、房地产和农业之类的数据。那我薯笑们就随便选两个来当变量。我就随便挑了，因变量选AVESIZE12，即2012年各个县农场的平均占地面积。自变量选POP_SQMI，也就是人口密度（每平方英里的人口）。

现在正式建立窗口，调用的是spgwr里面的gwr.sel函数：

bw <- gwr.sel( AVE_SIZE12 ~ POP_SQMI, data = usa_agri, gweight = gwr.Gauss,
verbose = FALSE, method = "cv")
其中~前后分别是因变量和自变量。GWR里因变量只能有1个，但自变薯手则量可以选多个，如果需要多个自变量的话，就在代码POP_SQMI之后用+号连接就行。gweight是你的空间加权的函数（随空间距离增大而不断衰减的函数，衰减率由下面要提到的带宽控制），这里用的是比较常用的高斯函数，其余的还有gwr.bisquare等函数可以调用。verbose决定是否汇报制定窗口的过程。method是决定构建带宽窗口模型的方法，这里用的cv指的是cross validation，即交叉验证法，也是最常用的方法，简单说就是把数据分成不同的组，分别用不同的方法来做回归计算，计算完了之后记录下结果，然后打乱重新分组，再回归计算，再看结果，周而复始，最后看哪种计算方法的结果最靠谱，这种方法就是最优解。还有一种很常见的选择最佳拟合模型的方法是AIC optimisation法，把method后面的cv改成aic就可以用。具体AIC optimisation是什么：AIC（赤池信息准则）_网络。总之，空间加权函数和带宽窗口构建方法的选择是GWR里面十分重要的步骤。

以上便是固定带宽窗口的示意图。比如我在对佐治亚做GWR，这一轮的regression target是红色的这个县，根据做出来的窗口，圆圈以内的县都要被算为红色县的邻县，其权重根据高斯函数等空间权重函数来赋值，而圆圈以外的县，空间权重都赋为0。

不喜欢固定带宽窗口的同学也可以不用它，而是用符合Tobler地理学第一定律的非固定带宽邻域统计，操作方法是在gwr.sel里面加一个命令adapt = TRUE，这样的情况下，根据你设置的k邻居数，每一轮统计的时候，和本轮对象在k以内相邻的多边形的权重参数会被赋值为0到1之间的一个数，比如下图:

我在对佐治亚做GWR，这一轮的regression target是红色的这个县，那么图上标为1的县就是红色县的1阶邻县，标为2的是2阶（邻县的邻县），标为3的是3阶（邻县的邻县的邻县）。如果用非固定带宽邻域统计，k为3，那么1、2、3都被定义为红色县的邻县，它们的权重从3到1依次增加，会按比例被赋上0和1之间的值，而其它没有标注的县，权重为0。

下一步就是用前一步做出的窗口去扫过全局区域：

gwr_result <- gwr(AVE_SIZE12 ~ POP_SQMI, data = usa_agri, bandwidth = bw,
gweight = gwr.Gauss, hatmatrix = TRUE)
这一步如果数据量大，可能会要跑一阵，跑完之后我们看看结果里面有什么：

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该需要的结果这里都有了。比如窗口大小（Fixed bandwidth）是205880.3，意思是前一步构建的带宽窗口是半径205.88千米的圆。Effective number of parameters显示的是你带宽窗口的大小合不合适。Sigma是残差的标准差，这个值要尽量小。Resial sum of squares（RSS）也是对拟合程度的一个评估值。最重要的是最后那个R2，越靠近1说明统计的拟合度越好。我这里面Sigma很大，R2也不是很大，因为我这里只是呈现方法，用的数据本来就是互不相干、没什么太大意义的，所以不用太纠结。如果你是真正的统计数据要来做GWR，就需要注意这些值了。

然后，我们就可以把每个县的R2画在地图上。首先，前面报告里的这些数据，比如R2，要先自己去生成的GWR结果里面去找，然后自己再算一下每个县的local R2，并把它们赋值到shp里面去：

globalR2 <- (1 - (gwr_result$results$rss/gwr_result$gTSS))
sp <- gwr_result$SDF
sf <- st_as_sf(sp)
然后就可以各显神通画地图了，我一般还是用ggplot外加ggthemes来画这种地图，毕竟最方便：

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别的东西，比如gwr.e等等，就从gwr_result$SDF提取或者计算，然后改sp和sf就行。

以上是一种情况，即你拥有的是带有不同变量的多边形矢量数据。那还有一种情况，就是你现在没有多边形，而是一堆点状数据，想要用R来做GWR，应该怎么办。比如我现在导入一个储存为csv的点状数据。数据还是和上面一样的，只不过每一个县都变成了一个点。

usa_points <-
read.csv("~/Documents/Spatial/usa_counties.csv",
stringsAsFactors = FALSE)
str(usa_points) #查看它的数据结构
查看数据结构，这个csv里面有经纬度数据，分别是lat和long。

然后我们把AVE_SALE12的数据画在地图上看看：

attach(usa_points)#让head里面的lat和long可读
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")
这里是给分了4个组，用了四种颜色，cuts后面直接用的quantile命令。如果要自己手动分组，cuts后面可以自己改成seq( )。效果：

再画一个POP_SQMI的数据：

然后plot一个全局的看看：

plot(AVE_SALE12 ~ POP_SQMI, data=map)
好吧这个数据简直了，不过没关系，只展示过程，数据不重要233

然后尝试一下线性回归（电脑你不要揍我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
总之这个数据很扯，但是这上面该统计的基本都有了。

然后我们用地图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。然后我们如法炮制，构建窗口，再用窗口扫描全局。这次我们试一下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
看起来adaptive带宽比前面的固定带宽要好一点。

然后给它画出来：

head(gwr.points$SDF)
spplot(gwr.points$SDF, "POP_SQMI", cuts=quantile(gwr.points$SDF$POP_SQMI), col.regions=colours, cex=1, main="GWR")
然后我们再多做一步吧，查看一下哪些地区的农场面积和人口密度之间的关系是显着的，这就要用t检验，比如假设我们根据这个例子，查了双侧t分布检验，置信区间95%，发现他落在-4到4之间说明关系显着：

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")
图里面，显着的地方用浅蓝表示，具体的student t分布的理论内容可以参考http://www.hu.com/question/30753175 。

根据人口密度来估计的农场规模（可以和真实的农场规模地图对比）：

spplot(gwr.points $SDF, "pred",col.regions=colours, main = "Predicted Value")
标准误差（好大的误差哈哈哈）：

spplot(gwr.points $SDF, "pred.se", col.regions=colours, main = "Standard Error")
其实点状数据GWR做到这里已经差不多了，可是有个搞事的。ESRI的网上说，点状数据是不建议直接做GWR的，其实它的意思是建议要想办法把点状数据转换为多边形，就可以做了。那怎么搞呢？有两种常见思路。

第一种是做希森多边形（Shan Ye：哪些新事物的出现，引发了看似毫无关联的领域的变革？）：

先添加几个R包：

library(spatstat)
library(maptools)
library(tmap)
library(raster)
我们先找一个美国本土单个的shp多边形要素，然后把它和点状要素花在一张图上：

require(rgdal)
usa <- readOGR(dsn = "~/Documents/Spatial", layer = "usa_boundary")
tm_shape(usa) + tm_polygons() + tm_shape(map) + tm_dots()
然后我们发现因为数据来源不一样，有的点状数据落在了美国轮廓的外面。为了做希森多边形，我们必须cut一下点状数据，把落在外面的暂时删除掉。

map@bbox <- usa@bbox
然后建立希森多边形：

th <- as(dirichlet(as.ppp(map)), "SpatialPolygons")
th <- as(th ,"SpatialPolygons")
之后把点状数据列联表里的东西全都赋值到希森多边形里，再沿着美国的边缘裁剪一下：

th.z <- over(th, map, fn=mean)
th.spdf <- SpatialPolygonsDataFrame(th, th.z)
th.crop <-crop(th, usa)
搞定，然后就可以按照前面说的多边形GWR的方法做下去了。

第二种思路是建立空间网格（和这个思路一样：Shan Ye：中国历史上发生有史料记载的战争最多的区域是哪里？）

画格子有两种常见操作：

第一种，首先查一下你的数据的空间范围

bbox(usa)
bbox(map)
然后根据范围（from和to），以及你想要的网格大小（by），建立网格的x和y坐标，并组成网格。

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)
然后把网格转换成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)
然后把它和你的点数据对应，转换成spatial data frame polygon（并且一起添加id之类的）

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)
第二种，是直接在你的点状数据上画

extent <- extent(bbox(map)) # 格子覆盖点数据的范围
raster <- raster(extent) #画格子
dim(raster) <- c(50, 100) # x和y方向上各自要多少个格子
projection(raster) <- CRS(proj4string(map)) # 设定投影，和点数据一样
grid <- as(raster, 'SpatialPolygonsDataFrame') # 转化为多边形
tm_shape(grid) + tm_polygons() + tm_shape(map) + tm_dots(col="red", size=0.3)
然后，我们把点状要素的值给赋到格子里去。这里可以用另一个包：

library(GWmodel)
Dist_matrix <- gw.dist(dp.locat=coordinates(map),rp.locat=coordinates(grid))
用这个包建立一个距离矩阵，然后这个包里面也有可以做GWR的功能：

gwr.res <- gwr.basic(AVE_SIZE12 ~ POP_SQMI, data=map, regression.points=grid, bw=500000, dMat=Dist_matrix, kernel='gaussian')
这里的带宽窗口我手动给设成了500公里。空间权重还是用的高斯。然后结果是：

***********************************************************************
* 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 开启AI档案出现未能为档案建立记忆体映象，是怎么回事啊

用coreldraw 开启AI档案出现未能为档案建立记忆体映象，是怎么回事啊？

把AI存为10版本，选中转了低版本的档案拖入CDR14就行，前提是档案不能太复杂，AI没做效果的档案

开启AI档案时出现档案不可读是怎么回事

。。。向量图档案 。。
档案损坏了 所以不可读
或者是 版本不同 这个档案是拷贝的吧？
如果是新版本制作拷贝到老版本上 也会出现不可读情况

AI档案无法开启是怎么回事啊

adobe illustrator可以编辑， 这个是失量图处理软体。
ai就是它这个软体预设储存得副档名。
ps也可以开启，acdsee应该可以开启的

开启AI档案后出现图中所示，是怎么回事？

已经上传MicrosoftYaHei-Bold
字型下载

下载 请采纳!!!!!!!!谢谢你

AI档案打不开是怎么回事？

打不开是因为你Ai的版本比这个Ai档案版本低。
最好的办法是下载最新版AiCC，别老用旧产品嘛，就像很多人死缠着Office2003不换，闹啥样啊。

AI档案在开启时出现“档案已损坏，且无法修复”是怎么回事啊？

那就是坏了，换台机器，或不同版本的ai试试，总会发生这样的情况，盗版的，或者线条不太规范

档案开启是怎么回事，显示该记忆体不能为“written”

朋友，电脑出现：记忆体不能为written，原因总结起来，有以下方面！偶然出现，点：取消，即可！
（答案原创,本答案原作者：力王历史）
1.电脑中了木马或者有病毒在干扰！
试试：防毒软体，360安全卫士+360防毒双引擎版，或者金山卫士+金山磨盯毒霸，
建议：使用“木马云查杀”和“360防毒”，“全盘扫描”和“自定义扫描”病毒和木马，删除后，重启电脑！
开机后，点开“隔离|恢复”，找到木马和病毒，彻底删除！
2.如果第1种方法不行，下载个“360系统急救箱”，卖兄或者“金山系统急救
箱”！
先“全盘查杀”，查杀完毕，删除“可疑自启动项”和木马，再重中游袭启电脑！
然后点开“隔离|恢复”区，找到“可疑自启动项”和木马，点“彻底删除”!
再点开“修复”，“全选”，再点“修复”！
3.你下载的“播放器”，或“聊天软体”，或“IE浏览器”，或者“驱动”，或
“游戏”的程式不稳定，或者“版本太旧”！建议卸掉，下载新的，或将其升级
为“最新版本”！
4.软体冲突，你安装了两款或两款以上的同类软体（如：两款播放器，两款
qq，或多款浏览器，多款防毒软体，多款网游等等）！它们在一起不“相容”，
卸掉“多余”的那一款！
5.解除安装方法：你在电脑左下角“开始”选单里找到“强力解除安装电脑上的软体”，找到多余的那款卸掉！ 卸完了再“强力清扫”！
或者“360安全卫士”，“软体管家”，点开，第4项：“软体解除安装”，点开，找
到“多余”和“类似”的软体解除安装！如：“播放器”，点开，留下“暴风”，解除安装“快播”！如：“下载”：点开，留下“迅雷”，解除安装“快车”！（看准了再卸，别把有用的卸了）
6.再不行，重启电脑，开机后按“F8”，回车，回车，进到“安全模式”里，“高阶启动选项”，找到：“最后一次正确配置”，按下去试试，看看效果如何！
7.再不行，开始选单，执行 ，输入cmd， 回车，在命令提示符下输入(复制即可) :
for %1 in (%windir%system32*.dll) do regsvr32.exe /s %1
贴上，回车，直到萤幕滚动停止为止，重启电脑！
8.实在不行就“一键还原”系统或“重灌系统”！

AI档案出现开启错误怎么回事？

之前我也是有这个问题，重灌就可以了。

开启Coreldraw时出现未能建立DOM档案，提示没有注册类别是怎么回事

CorelDraw12 在某些winxp版本中安装后打开出现"未能建立DOM档案，没有注册类别，校验MSXML4安装"打开出现"未能建立DOM档案 出现这种情况不是下载的CorelDraw12档案是坏的，这是一些WInXp版本没有预设安装MSXML的原因，而CorelDraw12需要这个外挂，解决问题方法就是安装这个外挂。
下载msxmlchs.msi (不行就重新整理下）
补充办法：
安装好msxmlchs.msi后,如果问题还是存在,按下面方法 括号里的不用输入
1.开始-执行
2.键入:regsvr32 /u msxml4.dll (this mand line de-registers MSXML4.DLL)
3.回车4.再键入: regsvr32 msxml4.dll (DLL is re-registered)
5.再回车
6.最后再执行CorelDRAW 12

Ⅳ 关于SCORM标准以及AICC标准的资料

SCORM2004中文版文档 SCORM标准介绍

首先了解什么是scorm？scorm的目的与意义？经及scorm教材的制作。

SCORM起源于1997年，由美国白宫科技办公室与国防部所共同推动的ADL先导计划（Advanced Distributed Learning Initiative）中提出，希望透过“教材重复使用与共享机制”的建立，来缩短开发时间、减少开发成本、促成能在各学习平台间流通自如，同时在SCORM教材共享机制下，也能达成大幅降低训练费用的目标。为推动厂商开发具备上述特质的教材，研订出一套相互关连的技术指引，简称为SCORM (Sharable Course Object Reference Model)。

Scorm是sharable content object reference model(可共享对象参照模型)的缩写，是由美国的教学管理系统全球化学习联盟(ADL:Advanced Distributed Learning)所制定的远程教育标准

SCORM标准的背景、意义、目的

前言
在21世纪中，随着资讯科技的快速发展，电脑与网路科技之发展，以带领我们进入一个数位学习（e-learning）的环境，有赖于国家竞争力的提升，运用网路的便捷，学习者可以不受时间与空间的限制，在最短的时间内寻找到所需陪败的资源。就目前而言，若要设计一套网路脊昌教学系统，就必须要先建置教学教材资料库。但由于时间与成本的花费，是一笔相当可观的金额，并非在短时间内就可完成的。所以，如何运用现有的资源，让彼此可以各取所需的分享教材资源，以缩短制作过程所需花费的时间与重复制作的浪费。因此，数位学习将是未来时代的重要趋势。
为何需要SCORM
如上所说，科技资讯快速的发展，进入一个数位学习的环境，多数的学习网站，不论资讯质量多么可观，终究必须面对一些问题，一是“教材资源难以相互整合沟通”，二是“学习成效难以公正评估”。

数位学习活动的流程包括课程内容之数位化、课程教材的封装、规范课程内容的传递模式与流程，学习过程的安排、记录与追踪，评量的方式等。数位学习标准之重要目的之一，便是将课程管理流程设定共通规格与方式的交换，以此为基础，达到教材互通重复使用的功效，学习者也能轻易地各取所需。

除了课程管理的问题外，学习过程的交换，认证体系的建立等等，这些也都是数位学习标准的拟议内容，这些问题绝对是推动标准化进展的重要力量。数位学习的规格标准，所参考组织的技术规格，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；经过时期演进，以 ADL先导计划所整理的 SCORM 标准与 Saba 公司所提出的ULF，对数位学习环境的稳定性、实用性为最高。且SCORM标准属于建立基础架构的重要环节，因此它有其存在的意义与价值，是进入数位学习环境的一大跳板。

※ULF (Universal Learning Format)：称为“通用学习格式”，这是一个以XML为基础的规格架构，由Saba公司所发展，用来交换各种不同形式的数位学习资料，包含了内容、学习资源目录、认证资料库、学力资料库、及学习者学习过程等资讯。ULF 采用 XML 与 RDF 两大资料规格。
SCORM的背景
SCORM起源于1997年，由美国白宫科技办公室与国防部所共同推动的ADL先导计划（Advanced Distributed Learning Initiative）中提出，希望透过“教材重复使用芦野颤与共享机制”的建立，来缩短开发时间、减少开发成本、促成能在各学习平台间流通自如，同时在SCORM教材共享机制下，也能达成大幅降低训练费用的目标。为推动厂商开发具备上述特质的教材，研订出一套相互关连的技术指引，简称为SCORM(Sharable Course Object Reference Model)。
使用SCORM的目的
其目的在确保学习者无论在何时何地，希望能透过一套可重复存取、可再用、有耐久性、以及可相互沟通的建立，能及时获取所需的高品质学习资源。【ADL提出最新的标准SCORM，整合了AICC的CMI规范与内容结构，IEEE的Meta-data Dictionary，IMS的Content Packaging与 metadata XML Binding and Best Practice规范。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，预料SCORM 1.3会很快推出。未来1.3与2.0以上版本涵盖之范围值得注意。】

SCORM（Sharable Content Object Reference Model）的出发点，决然与这些标准不同，从字眼里就可看出它的核心即在“可共享”与“重复使用”的学习物件教材﹔它仍保有课程结构，更厉害的是它能够让电脑懂得这些物件到底是什么内容，这要归功Meta-data来描述它，而实际的档案架构亦有特别规划，以方便教材再次使用。

SCORM是Sharable Content Object Reference Model（可共享对象参照模型）的缩写，是由美国的教学管理系统全球化学习联盟（ADL：Advanced Distributed Learning）所制定的远程教育标准。SCORM汇聚了现有标准的精华，未来将为电子化学习提供统一的基础标准。美国主要的电子化学习学术研究中心--国防部，和所有的电子化学习产品提供商一起，精诚合作，为达到这一共同的目标而不断地努力。

与此同时，每一个研究小组的研究成果都可以拿来借鉴，成为您探索电子化学习标准旅程上的指明灯，助您一臂之力。

许多缩略词涌出
1997年11月DoD（美国国防部）和白宫科学技术办公室共同成立了教学管理系统全球化学习联盟（ADL），目的是为了促进电子化学习通用标准的发展。第一个ADL联合实验室（Co-Lab）是1999年在弗吉尼亚州的亚历山大（Alexandria）成立；另外一个Co-Lab是在佛罗里达州的奥兰多（Orlando）建成的，用以激励ADL项目和系统采办的协作发展。1999年间SCORM规范的最初版本开始出台，紧接着于2000年1月在威斯康辛--迈迪逊大学（Wisconsin-Madison）成立了学院式Co-Lab（Academic Co-Lab），专门服务于学府社区的研究，由朱迪·布朗（Judy Brown）作为这个Co-Lab的行政主任。几乎与此同时，SCORM 1.0版本出台问世。 威斯康辛大学董事会（UWBR）于1997年成立威斯康辛大学学习创新组织（UWLI），支持威斯康辛大学26个校区的网络学位课程的开发。此外，UWLI还为学校外的组织提供咨询和课件开发服务，UWLI与ADL保持着长期、友好的合作关系，频繁参加Academic Co-Lab的各项活动，而且还为各项活动出资出力，同时也是这些活动的受益者。

Ⅵ AICC这种数字货币你们知道吗

区块链是任何人，任何国家都无法阻挡的大趋势，因为历史的长河毕竟都是永远向前走的。所以说选择大于努力，趋势发展是不可以阻挡的，需要每一个人用睿智的眼光看到这个趋势，未来的发展，区块链是穷人最后的一次机会，500年难遇的一次金融变革。让我们用全部的力量与全部的热忱拥抱AICC,币圈一天，互联网十年，站在了风口浪尖上，当这个巨量的财富涌进来的时候，不知不觉把你推起来，进入富豪的行列。

模棱两可的事情让别人去做，

我们要做的就是别人看了敢买，

买了能挣钱的事，

资本市场上没有傻子。

所有的十倍币百倍币在没涨之前都是乎信桥垃圾！BTC是这样，ETH也是这样！发现他的上涨逻辑并且埋伏在早期！这是在币圈必须要做的事情！

否则，如何暴富？

推广他！

币圈就是一个进场了就要宣传的地方！

否则和咸鱼没有任何区别！

不要做原地等待的人！要做走进森林寻找宝藏源头的那批人！

因为唯有暴富，方能解忧！

  1、AICC智能云链是资深技术团队旨在打造的AI人工智能应用公链，新加坡基金会已成立，为AICC国际化保驾护航。国内运营中心落地武汉光谷，北京、上海、成都等地运营中心陆续筹建，可实地考察。摩登鸡场、车载挖矿、线上商城、AICC交易所等众多生态板块将陆续上线，倾力打造AICC生态价值。

  2、AICC作为交易所平台代币，未来升值空间巨大，总发行量3000万枚，自带销毁函数，目前流通不到600万枚，已经上链，数据公开透明，AICC现已并购黄金社区，再联合AICC各个社区团队大力推广，2019年我们的目标剑指元一枚[发][发][发]

3、直推下级购置矿机可享一级8%、二级4%提成收益，永久享受一级2%、二级1%挖矿产出收益（无多级奖励制度，走合法合规路线）

建议购买1000枚AICC，兑换1台大矿机，产出1750枚币，可持AICC入股，终生享受交易所分红(矿机即将取消，可兑换数量所剩无几)

4、HJB黄金社区成功并入AICC基金会，成为AICC十大生态子项目之一，打造“行情+社区+资讯+交易”的一站式用户体验，为AICC未来发展保驾护航。可通过阅读、分享黄金财经新闻挖矿免费获取HJB。

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

七月份车载实体挖矿上线将迎来全面爆发，绝对不容错过的最佳入场时机

AICC发展重点解读

发展重点解读

交易所

交易所

1. 所有持AICC币的会员，可持AICC入股，且AICC是唯一入股方式；

2 .AICC与币圈顶级社区：黄金社区、白马社区、比特社区长期深入合

作，为AICC交易所提供流量及项目方资源；

3. 交易所的30%收益权归决策委员会所有；

4. 目前已有三家基于ETH发行的代币、两家基于EOS发行代币确定首发AICC交易所；

5.AICC总量仅3000万枚，永不增发，数量稀少；

6.AICC代币作为AICC交易所平台币流通发行；

7.AICC交易所主要盈利模式及岁猛运营方案详见AICC交易所提案；

车载挖矿系统

车载挖矿系统

1.可以持AICC入股；

2.收益的30%归决策委坦简员会所有；

3.APP中本地生活包括但不限于汽车零配件购买、汽车美容、汽车修

理、二手车交易、持币购车等等；

4.汽车商家入驻，玩家可以推荐，成功入驻有一定奖励；

5.打造关于汽车的区块生态；

现在的区块链和数字货币很像1997年的互联网，或许存在泡沫，但前景不可估量。

这个领域里一定会诞生未来的BAT，你现在真正要做的，是融入时代的大潮，一定不要掉队。人最划算的是，活在未来。用未来的标准，做好当下的选择。

毫无疑问，AICC将是一个很好的选择！

           

            投资有风险，入市需谨慎！！！

币市远比股市收益更高，风险也更大。币市的筹码更集中，庄家更强势，24小时交易，无封顶无熔断，一觉醒来账上多了十几万，又一觉醒来亏了几十万。你刚买的币，两三天腰斩了，这一点都不奇怪，所以进入这个领域，必须首先要理性看待其中的风险并量力而行。

              如果有兴趣的朋友欢迎评论和咨询！

2019年6月23日 

作者:以以太坊