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
100+累计阅读
140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
文件资源管理器一直是Windows操作系统中重要的工具之一，而最新的功能更新将进一步提升其便利性和实用性。其中最引人注目的改进是与OneDrive的深度融合，为编程工作者带来了更多便利。本文将详细介绍这一新功能，并提供相应的源代码示例。
新版本的文件资源管理器通过深度融合OneDrive，为编程工作者带来了更加无缝的体验。现在，你可以直接在文件资源管理器中管理和同步你的OneDrive文件夹，无需切换到其他应用程序或浏览器。这使得在编程过程中访问和共享文件变得更加高效和便捷。
下面是一个示例代码，演示了如何在文件资源管理器中创建一个新的Python项目，并将其与OneDrive同步。
import os
# 定义项目名称和路径
project_name = "my_project"
project_path = os.path.joinDelphi 13.2控件之TdsProxy.rar
Delphi 13.2控件之TdsProxy.rar
电力电子基于CCM Boost拓扑的3.3kW PFC电路参数设计：功率因数校正系统电感与器件选型优化
摘要：工程计算最难的不是算出来，而是「算完讲得清、改得动」。本文以一份 《3.3kW CCM BOOST PFC circuit parameters calculation》计算书为例，梳理 Maple Flow 的核心功能，并看它如何把规格、公式、器件选型、损耗校验和环路设计收进同一份可交付文档。
政府科技管理者在推动科技成果转化过程中，如何精准识别具有高转化潜力的科技成果？.docx
政府科技管理者在推动科技成果转化过程中，如何精准识别具有高转化潜力的科技成果？
政府科技管理者如何精准识别本区域高校科研成果的技术转化潜力？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
国央企创新负责人如何利用数智工具提升技术引进与消化吸收能力？.docx
国央企创新负责人如何利用数智工具提升技术引进与消化吸收能力？
交换机运维巡检工具，专门针对交换机的信息采集
交换机运维巡检工具，专门针对交换机的信息采集
cpk报表excel格式
cpk报表excel格式
产业园区运营负责人如何精准对接企业技术需求与科研成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
邻传 NearShare v1.3.0｜Windows局域网扫码文件互传、Word/Excel预览与直接打印（含MIT源码）
邻传是一款运行在 Windows 10/11 x64 电脑上的局域网文件共享工具。手机与电脑连接同一 Wi-Fi，扫码后使用浏览器双向上传、下载文件，无需蓝牙、手机 App 或配对码。 功能：同名文件以最后成功上传版本为准并保留历史；Word DOC/DOCX、Excel XLS/XLSX/XLSB/XLSM、ODS/CSV 在线预览；电脑端点击直接调出打印界面；类型筛选、搜索、列表/网格、批量删除和清空；自动识别电脑名称及可获取的手机型号，自动更新 IP 与二维码。 包内包含安装版、免安装版、MIT 协议源码、使用说明和 SHA-256 校验值，内置 Node.js，无需安装开发环境，不含个人共享数据。 使用：电脑启动 → 手机同一 Wi-Fi 扫码 → 上传/预览/下载。适合家庭、可信办公网络分享照片与文档。 限制：无登录、HTTP，能访问服务地址的设备可读写删除，请勿映射公网。Office 复杂排版可能简化；预览上限20MB，表格预览1000行50列；打印上限20MB/10万格/100页PDF，仅电脑支持。为手动分享工具，非自动文件夹同步。安装包暂未数字签名。
产业园区如何高效匹配企业技术需求与高校科研成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
双向全桥CLLC谐振变换器仿真模型（Simulink仿真实现）
内容概要：本文系统介绍了双向全桥CLLC谐振变换器的Simulink仿真模型，重点阐述了变频控制、闭环仿真及其与多种电力电子拓扑（如维也纳整流器、DAB变换器、图腾柱PFC等）的联合仿真设计。资源包涵盖2.5kW双向全桥LLC、V2G电动汽车充放电系统、三相PFC、多相交错LLC等多种变换器的仿真案例，并深入展示了三电平VIENNA整流器在双闭环PI控制与SVPWM调制策略下，结合上下电容电压差值补偿实现中点电位平衡的先进控制方法。通过仿真验证，该策略不仅有效维持了800V直流母线电压的稳定，还在动态工况下显著提升了电容电压的均衡度，同时保持了较低的输入电流THD，充分体现了SVPWM与中点平衡控制协同优化的技术优势。; 适合人群：具备电力电子与自动控制理论基础，从事新能源发电、电动汽车、工业电源、微电网等领域的研究生、工程师及科研人员。; 使用场景及目标：① 学习并构建高频谐振变换器（如LLC、CLLC）的Simulink仿真模型，掌握其变频与混合控制策略；② 深入理解并应用中点电位平衡、双闭环PI控制、SVPWM调制等核心技术于VIENNA等三电平变换器中；③ 复现高水平期刊论文中的控制算法，服务于科研项目申报、学术论文撰写或工程产品开发。; 阅读建议：该资源为综合性仿真资料库，建议使用者结合自身研究方向（如电动汽车充电、新能源并网）选择对应案例进行精学，重点关注控制策略的设计逻辑、仿真参数的整定方法以及SVPWM与中点平衡的协同机制，并充分利用附带的计算书和参考文献深化理解，以实现从仿真模型到实际工程应用的顺利转化。
全桥LLC谐振软开关Simulink仿真设计
内容概要：本文系统介绍了全桥LLC谐振软开关在Simulink环境下的仿真设计，涵盖单相、三相、双向全桥、半桥及多相交错并联等多种LLC谐振变换器拓扑结构，重点研究软开关技术、变频控制、移相混合控制、闭环仿真建模与关键参数设计。详细展示了全桥LLC谐振变换器的闭环仿真模型构建流程，包括开环与闭环控制策略、软启动机制、恒压恒流双闭环控制体系，并结合Mathcad进行精确的参数计算。此外，文档还整合了丰富的电力电子系统仿真案例，如PFC变换器、PWM整流器、CLLC变换器等，充分体现了该资源在电力电子变换器仿真设计中的全面性与实用价值； 适合人群：具备电力电子、自动化或电气工程等相关专业背景，熟悉Simulink/Matlab仿真工具，从事电源变换器设计、新能源系统开发或电力系统仿真的研究生、科研人员及工程技术人员； 使用场景及目标：①用于深入学习和掌握LLC谐振变换器的工作原理与系统级仿真建模方法；②支撑软开关技术、闭环控制策略、谐振参数优化等方面的科研攻关与工程项目开发；③作为高校电力电子课程教学、实验设计或毕业设计的重要参考资料，全面提升仿真实践能力与工程设计素养； 其他说明：该资源不仅提供完整的Simulink/Plecs仿真模型，还配套提供详细的设计报告、参数计算书、说明PPT及参考文献，有助于用户深入理解设计逻辑与实现细节，建议结合公众号“荔枝科研社”获取全套资料与持续的技术支持。
超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书
内容概要：本文档为《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》，系统性地围绕全桥LLC谐振变换器的开关电源设计展开，重点基于Mathcad平台进行详细的理论计算与参数设计，适用于2.5kW功率等级的电源系统。内容涵盖LLC谐振变换器的核心建模、闭环仿真、关键参数（如谐振电感Lr、励磁电感Lm、谐振电容Cr）优化设计，以及变频控制、移相控制等先进控制策略的实现方法。资源配套齐全，提供Simulink/Plecs仿真模型、设计报告与计算书，支持从理论推导到仿真验证的全流程开发。此外，还包含多相交错、双向全桥CLLC、软启动控制、恒压恒流双闭环等多种高级设计案例，突出其在工程实践与科研复现中的高实用价值。; 适合人群：具备电力电子与电源系统基础知识的高校研究生、科研人员及从事开关电源研发的工程师，尤其适用于需要完成LLC谐振变换器建模、参数设计与控制算法开发的技术人员。; 使用场景及目标：①用于全桥LLC谐振变换器的关键参数设计与Mathcad计算验证；②结合Simulink/Plecs仿真开展闭环控制策略研究，如变频与移相结合控制；③支撑科研项目中的拓扑创新与控制算法复现，提升设计效率与仿真精度； 阅读建议：建议结合配套的仿真模型与计算书同步操作，重点关注谐振参数的计算逻辑与闭环稳定性分析，推荐按照文档目录顺序系统学习，以全面掌握从理论设计到仿真验证的完整开发流程。
多目标粒子群算法求解综合能源系统最优容量配置研究（Matlab代码实现）
内容概要：本文研究了基于多目标粒子群算法（MOPSO）求解综合能源系统（IES）最优容量配置问题，并提供了完整的Matlab代码实现。文章围绕综合能源系统的结构特点，构建了包含经济性、环保性和系统稳定性等多重优化目标的数学模型，同时考虑了设备出力、功率平衡、储能容量等多种约束条件。通过引入多目标粒子群算法对模型进行求解，获得一组Pareto最优解集，并结合案例仿真分析验证了该方法在提升新能源消纳能力、降低运行成本和减少碳排放方面的有效性。文中详细阐述了算法的核心原理、参数设置、收敛性处理及解集筛选方法，增强了研究的可复现性与工程实用性。此外，资源包还包含了完整的仿真模型与可视化工具，便于用户深入理解和二次开发。; 适合人群：具备一定电力系统或能源系统基础知识，熟悉Matlab编程，从事相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于综合能源系统规划阶段的设备容量优化配置；②为多目标优化问题提供基于粒子群算法的求解思路与代码参考；③支持学术研究中的算法对比、模型改进与仿真验证。; 阅读建议：建议读者结合文中的Matlab代码逐模块学习，重点关注目标函数与约束条件的建模方式以及算法实现细节，宜在实际案例中调试运行以加深理解。
Vitis Model Composer闪退？手把手教你用命令行启动Vivado 2021后的System Generator
本文详细解析了Vitis Model Composer闪退问题的根本原因，并提供了命令行启动Vivado 2021后System Generator的完整解决方案。从环境变量配置、组件缺失排查到权限问题处理，手把手教你通过命令行深度排错，并分享高级自动化脚本和系统优化技巧，帮助开发者高效使用Vitis Model Composer与System Generator进行HDL开发。
2021年秋招面经分享·字节跳动【芯片工程师-系统架构】
前言 如果想参考本人背景情况的可见这篇概述 ============================ 正文开始 ============================== 【时间线】 7.29 字节一面 8.4 字节二面 8.11 字节三面 PS：红字表示我当时没答出来的问题，蓝字表示面试官的解答。 面经分享 一面·技术面【1小时5分钟】 面试官京腔重，聊high了所以没时间撕代码了，但是华为应该不会这样。 自我介绍； 介绍一下APB； APB中3个状态的跳转是怎么跳转的； AXI中va
Geant4 学习笔记（一）：实现multi-thread多线程
简单修改实现Geant4多线程
知识图谱-Neo4j-开始构建知识图谱-01
关系（Relationships）：连接两个节点，具有方向（→ 或 ←）和类型（Type），可附加属性。 属性（Properties）：键值对，存储节点或关系的详细信息（如 , ）。 (2) Cypher 查询语言 直观语法：通过模式匹配直接描述图结构。 高效遍历：支持复杂关系路径查询（如最短路径、模式匹配）。 3. 核心优势 (1) 原生图存储 物理存储优化：数据以图结构直接存储，避免传统数据库的“表连接”开销。 高效遍历：通过指针直接访问相邻节点，时间复杂度接近 O(1)。 (2) 高性
信奥编程启蒙 3068：【例13.3】时间差
现在给出一个时间，单位是秒，要求按照电子表格式输出，输出保证不会超过 2424 小时。3067：【例13.2】 电子表。把时间转化成电子表格式输出。电子表上的时间显示方法形如。
外设高级定时器互补输出带死区控制实验
外设高级定时器互补输出带死区控制实验
GeoServer改造Springboot源码一（公共部分）
今天开始开启关于GeoServer的一个全新系列，主要是把改造Springboot后的详细代码粘贴出来，此文应配合《》系列共同阅读，按照前系列的时间顺序结合此系列的源码展示可以快速构建GeoServer功能的二次封装的后端系统。
YOLOv10涨点改进：SPPF原创自研创新 | SPPF创新结构，重新设计全局平均池化层和全局最大池化层，增强全局视角信息和不同尺度大小的特征
SPPF原创自研创新
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")
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
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
349
扫一扫
