墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
886平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于物联网的关键绩效指标（KPI）
物联网（Internet of Things，IoT）是指通过互联网将各种物理设备连接起来，实现设备之间的数据交互和通信。在物联网的应用中，监控和评估关键绩效指标（Key Performance Indicators，KPI）对于有效管理和优化系统运行至关重要。本文将探讨基于物联网的关键绩效指标，并提供相应的源代码示例。
设备连接率是衡量物联网系统中已成功连接的设备数量与总设备数量之比。它反映了物联网系统的可扩展性和设备管理的有效性。下面是一个示例代码，用于计算设备连接率：
def calculate_connectivity_rate(connected_devices, total_devices):
connectivity_rate = (connected_devices 技术研发与制造中的有效指标设计：从KPI陷阱到价值驱动
在技术研发与生产制造领域，关键绩效指标（KPI）是衡量流程效率与成果的核心工具。其原理在于通过量化数据，将复杂的工程活动转化为可跟踪、可分析的管理信号，从而驱动持续改进与价值创造。有效的指标体系能精准反映从研发到交付全链条的健康度，其技术价值在于打破部门墙，对齐团队目标，将内部运营与外部客户价值紧密连接。在应用场景上，无论是嵌入式软件开发中的代码质量监控，还是汽车电子生产线的设备综合效率（OEE）管理，或是供应链的库存周转优化，都需要一套设计精良的指标来导航。然而，实践中常陷入“指标通胀”与“管理脱节”的陷
19、物联网终端设备的性能指标
本文详细介绍了物联网终端设备的关键性能指标，包括处理速度、功耗、存储容量和网络带宽，并分析了这些指标在智能家居、工业自动化、远程医疗等应用场景中的实际影响。同时提供了硬件选型和软件优化的具体策略，并结合智能安防摄像头、工业传感器及可穿戴设备等案例进行了深入解析，旨在帮助用户更好地选择和设计满足特定需求的物联网设备。
6、智能生产中的大数据与关键绩效指标跟踪
本文探讨了智能生产中大数据与关键绩效指标（KPI）跟踪的整合应用。基于大数据的‘三个V’特性，结合工业4.0背景下的智能工厂与网络物理系统（CPS），提出了一套以设计科学为方法论的KPI跟踪框架。通过人类、机器和系统三个维度识别关键属性，并将其转化为可量化的KPI，支持对生产过程的情境感知、虚拟表示和需求导向等方面的评估。文章对比了独立应用程序与物联网基础设施两种解决方案，提供了从认知、建模到实施、优化的完整实施路径，并展望了未来在历史数据分析、人工智能应用和跨企业协同方面的潜力，助力企业实现智能化生产转型
11、关键绩效指标在城市再生计划的应用
本文探讨了关键绩效指标（KPIs）在城市再生计划中的应用及其重要性。文章详细阐述了KPIs的定义、构建步骤，并结合实际案例说明其在项目评估和监控中的作用。同时，文章还展望了未来KPIs在城市再生领域的发展方向，包括大数据、多维度评估和动态调整机制等技术的应用。通过合理构建和使用KPI体系，城市管理者可以更有效地实现城市再生目标并为决策提供数据支持。
物联网相关标准（GB）
国家物联网相关标准（GB）的目录索引，方便各位资料搜集
云平台技术指标
云平台技术指标，包括主机、网络、安全、监控、数据等多方面。
2021年中国物联网指数报告：物联网行业核心指标分析（27页）.pdf
2021年中国物联网指数报告：物联网行业核心指标分析（27页）.pdf
IOT PaaS物联网平台各项功能需求、参数、指标.xlsx
系统的功能设计清单，可基于爱投斯（IOTOS）物联网系统集成平台实现： 设备连接 1.1 设备连接 1.3 设备传输 1.4 数据路由 1.5 多协议支持 设备管理 2.1 设备生命周期管理 2.2 设备分组 2.3 设备标签 2.4 固件升级 2.5 远程配置 2.6 设备模型 2.7 设备检索 2.8 虚拟设备 设备规则引擎 3.1 消息队列 3.2 数据结构化存储 3.3 数据关系型数据库存储 3.4 大数据计算 3.5 数据时序数据存储 物联网数据分析 4.1 物联网数据分析 智能边缘一体化服务 10.1 智能边缘一体化服务 10.2 资源统一调度 10.3 应用统一运维 10.4 应用高可靠 10.5 资源水平扩展 10.6 边缘自治 10.7 集群应用免登 10.8 AI能力 物联网安全 11.1 通信安全 应用微服务化管理 12.1 应用部署 12.2 应用运维 12.3 应用集成和数据打通 12.3.2 应用服务能力支撑 12.4 应用持续集成测试 物联网应用开发环境 13.1 支持与设备管理无缝集成 物联网子平台开放能力 14.1 产品管
GEE进行Theil-Sen Median斜率估计和Mann-Kendall检验
Python实现Theil-Sen Median斜率估计和Mann-Kendall检验// 定义时间范围//NDVI图像集合// 定义每年的开始和结束日期// 加载NDVI数据集，按日期过滤，并计算最大值.max()}));// 计算Sen斜率并剪裁// 可视化Sen斜率Map.addLayer(senSlope.select('slope'), vis, "Sen斜率 ");// MK检验// 创建一个列表，包含年度NDVI图像的list。
Office 365部分安装及同时安装Visio的方法
From MWeb Win版本的Office 365安装包默认安装所有组件，没有选择的页面，在安装Office 365后再安装下载的Visio 2016专业版时，会显示计算机上已经安装了即插即用Office，Visio不可安装，因此可以考虑使用Office部署工具来解决这两个问题。 下载安装Office365和Visio 下载Office部署工具 修改配置 部署工具使用方法...
全桥LLC谐振变换器设计与双环控制策略详解
LLC谐振变换器作为高频开关电源的核心拓扑，通过谐振腔实现软开关特性，显著提升转换效率（可达96%以上）。其工作原理基于谐振电感、电容的协同作用，当开关频率接近谐振点时实现ZVS/ZCS。在工业电源、电动汽车充电等场景中，电压电流双环控制策略通过引入电流内环和竞争仲裁机制，有效改善动态响应（实测负载跳变时电压跌落减少60%）。数字控制实现时需注意ADC采样同步和PWM更新时序，而谐振参数测量与温升管理则是工程实践的关键。
具身智能中的运动控制如何入门?
本文提出计算机视觉（CV）与强化学习（RL）结合的机器人运动控制学习路径。强调工程实践导向，建议采用"算法-机器人-工程"三阶段学习法：基础阶段掌握RL核心算法（PPO/SAC）和机器人动力学；进阶阶段聚焦Sim2Real技术（域随机化、模仿学习）和仿真环境搭建；深耕阶段结合CV优势开发视觉闭环控制等创新方向。特别指出应避免纯理论学习，提倡"最小知识原则"的实践模式，通过具体项目（如四足机器人控制）串联知识体系。推荐以《现代机器人学》等工具书为参考，配合开源框架（Pi
VMware Workstation Pro必备技巧：5分钟搞定Ubuntu虚拟机磁盘瘦身（附常见错误解决）
本文详细介绍了如何为VMware Workstation Pro中的Ubuntu虚拟机进行磁盘瘦身，解决.vmdk文件只增不减的问题。通过清理系统垃圾、使用零填充空闲空间，并利用vmware-toolbox-cmd或vmware-vdiskmanager工具进行压缩，可有效回收被无效占用的磁盘空间。文章还提供了常见错误解决方案和预防性维护建议，帮助用户高效管理虚拟机存储。
openharmony之UniProton内核技术揭秘：鸿蒙面向工业控制领域的RTOS设计之道
UniProton是鸿蒙操作系统面向工业控制领域的轻量级实时操作系统(RTOS)，专为资源受限的嵌入式设备设计。作为鸿蒙生态的重要组成部分，UniProton提供了高效的实时任务调度、内存管理和IPC机制，满足工业控制场景对实时性和可靠性的严格要求。想象一下，UniProton就像一个超级聪明的管家，管理着电子设备里所有的工作。让你的智能手表既能显示时间，又能接收消息让家里的扫地机器人既能避开障碍物，又能记住哪里已经打扫过了让工厂里的机器人手臂既能精确地抓取东西，又能快速地完成任务实时性强。
多模态大模型：技术原理与实战 全球多模态大模型介绍
关键词：多模态大模型、深度学习、计算机视觉、自然语言处理、跨模态学习、迁移学习、人工智能随着人工智能技术的飞速发展，多模态大模型已经成为了当前AI领域最热门的研究方向之一。多模态大模型能够同时处理和理解多种类型的数据，如文本、图像、音频和视频等，这为AI系统在复杂场景下的应用提供了更加强大和灵活的能力。本文将深入探讨多模态大模型的技术原理，介绍其实战应用，并对全球主要的多模态大模型进行全面的介绍和比较。
【乐企-业务篇】乐企开票具体代码实现
【代码】【乐企-业务篇】乐企开票具体代码实现。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
508
扫一扫
