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
300+累计阅读
315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
在现代社会中，夫妻之间的沟通和安全意识变得越来越重要。对于那些希望随时知道彼此位置的夫妻来说，共享位置信息是一种方便而实用的方式。在本文中，我们将介绍一种编程实现，让夫妻可以轻松共享彼此的位置信息。
实现这个功能涉及到两个主要方面：位置获取和位置共享。我们可以利用现代智能手机中的GPS功能来获取位置信息，并使用互联网连接来共享这些信息。下面是一个基于Python的示例代码，演示了如何实现夫妻共享位置的功能。
import requests
import json
# 夫妻A的位置获取和共享
def share_location_a():
# 获取夫妻A的位置信息
latitude, longitude = get_current_location游轮数据k折交叉验证实战：分组+分层+时间感知的工业级评估
k折交叉验证是机器学习模型评估的基础方法，其核心原理在于通过多次训练-验证划分提升泛化性能估计的稳定性。但在真实工业场景中，当数据存在强时序依赖、样本非独立同分布（non-i.i.d.）、业务实体天然聚类等特性时，标准k折极易导致评估失真与线上失效。游轮数据集正是这类高噪声、多源异构、航次耦合、季节非平稳数据的典型代表——它迫使工程师放弃shuffle和默认参数，转而采用GroupKFold保障航次完整性、StratifiedGroupKFold兼顾标签分布、TimeSeriesSplit防范时间穿越。这种
模板驱动文档自动化：用结构化模板批量生成专业PDF
文档自动化并非AI代写，而是基于结构化模板的确定性内容组装技术。其核心原理是将文档解构为元数据、结构与样式三层协议，通过字段绑定、智能占位区和动态章节实现数据到成品的精准映射。该技术显著提升交付效率、保障品牌一致性、降低人为错误，并支撑高频、多变、高质感的标准化输出。适用于SaaS客户成功、咨询顾问、营销及培训等需规模化交付文档的场景，本质是把业务规则编码为可复用的数字资产。
真实用户研究：行为锚点法还原中国互联网的毛细血管生态
在数字产品日益依赖抽象画像与算法模型的今天，‘真实用户’正成为稀缺资源。所谓真实，并非统计意义上的平均值，而是由基础设施条件（如县域4G延迟、老年机内存限制）、社会结构约束（如菜市场收摊时间、夜班排班）和物理环境变量（电量、信号、光照）共同塑造的行为逻辑。行为锚点法通过时空、设备、约束三维记录，将点击、扫码、退货等动作还原至具体生活场景，使‘用户体验’从黑盒指标变为可触摸的因果链。该方法特别适用于下沉市场验证、适老化改造、弱网优化及商业闭环最后一环的洞察挖掘，为产品经理、创业者与政策制定者提供未经滤镜的中国
第十三讲：textcnn做文本分类任务，基于论文：Relation_Classification_via_Convolutional_Deep_Neural_Network的实战代码
本文通过对Relation_Classification_via_Convolutional_Deep_Neural_Network论文进行讲解来进一步理解TextCNN的使用，并附有论文复现的全部代码。 本文主要介绍了第十三讲：textcnn做文本分类任务，基于论文：Relation_Classification_via_Convolutional_Deep_Neural_Network，希望能对学习TensorFlow的同学有所帮助。 文章目录 1. 前言 2. 论文简述 3. 代码实战
电池、AA‑CAES 与抽水蓄能多目标优化调度研究（三目标：成本、峰谷差、碳排放）（Matlab代码实现）
内容概要：本文针对电池、先进绝热压缩空气储能（AA-CAES）与抽水蓄能三种储能技术，构建了一个多目标优化调度模型，旨在协同优化电力系统的运行成本、负荷峰谷差和碳排放三个关键指标。研究采用Matlab进行代码实现，建立了综合考虑各类储能系统运行特性的精细化数学模型，并通过多目标优化算法求解Pareto最优前沿，深入分析了不同优化目标间的内在权衡与博弈关系。文中系统阐述了各储能单元的数学建模方法、系统运行约束条件的设定以及多目标优化问题的规范化处理流程，最终通过详细的仿真算例验证了所提模型与方法的有效性，充分展示了该调度策略在促进新能源消纳、降低系统综合运行成本和减少碳排放方面的巨大潜力与应用价值。; 适合人群：具备电力系统、能源经济或优化理论基础知识的研究生、科研人员及从事能源规划与调度的工程技术人员。; 使用场景及目标：①研究包含多种新型储能技术的综合能源系统协调调度问题；②学习如何建立电力系统多目标优化模型（涵盖经济性、环保性和运行稳定性）；③掌握利用Matlab实现多目标优化算法并进行结果可视化分析与决策的方法。; 阅读建议：此资源以Matlab代码为核心，不仅提供了严谨的理论模型，更有完整的可运行代码实现。读者在学习时应结合代码深入理解模型构建的每一个细节，包括变量的定义、复杂约束的处理以及目标函数的加权聚合方法，并建议尝试修改模型参数或调整目标权重，以观察系统行为的动态变化，从而深化对多目标优化本质和工程应用的理解。
产业园区运营负责人如何精准匹配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。
A股分钟数据涵盖股票、ETF、可转债及指数四大类 每条数据记录包含精确到分钟的时间戳，以及开盘价、最高价、最低价、收盘价、成交量、成交额六个核心字段 部分数据还提供前收盘价作为参考 股票与ETF数据细
A股分钟数据涵盖股票、ETF、可转债及指数四大类。每条数据记录包含精确到分钟的时间戳，以及开盘价、最高价、最低价、收盘价、成交量、成交额六个核心字段。部分数据还提供前收盘价作为参考。股票与ETF数据细分至1分钟、5分钟等周期，可转债在交易时段内逐笔生成分钟快照，指数数据则同步覆盖上证、深证等主要宽基指数，便于观察市场整体走势。 数据源：CMES金融数据库
产业园区运营负责人如何借助平台实现创新资源的动态配置与精准对接？.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。
Multisim仿真入门：单相半波可控整流电路从搭建到波形分析（附避坑指南）
本文为电力电子技术初学者提供了一份详细的Multisim仿真指南，手把手教你从零搭建单相半波可控整流电路。通过对比纯电阻、阻感负载及加入续流二极管后的波形变化，直观理解晶闸管触发、电感续流等核心原理，并附有实用的参数设置与常见问题避坑指南，帮助你将抽象理论转化为可视化的工程实践。
电机控制-PMSM无感FOC控制（四）SVPWM——过调制
上一章我们提到了SVPWM矢量合成的范围在一个平面的矢量圆内，那么当电压矢量超出调制范围时，该怎么做呢？这就是过调制要解决的问题。电机控制-PMSM无感foc控制（三）SVPWM据之前讲解的内容我们可以知道，SVPWM技术在电压空间上模拟了一个近似于圆的电压轨迹，减小了相电流的谐波，降低了电机的谐波损耗，抑制了转矩脉动。然而，SVPWM技术也存在一些问题，合成电压矢量有极限便是其中之一。这个半径为√3/3Vdc的区域也被称作SVPWM的线性区域。
FPGA远程升级必备：STARTUPE2原语控制Flash的避坑指南
本文深入解析了FPGA远程升级中STARTUPE2原语的核心价值与配置策略，详细介绍了其在QSPI Flash接口设计中的应用。通过Vivado工具和原语控制，开发者可以高效实现安全可靠的远程固件升级，提升系统稳定性和升级效率。
Vivado固化程序与Flash型号添加实战指南
本文详细介绍了Vivado程序固化到Flash芯片的完整流程，包括基础操作、Flash型号添加方法及疑难问题排查。针对Vivado官方支持列表缺失的Flash型号，提供了手动添加配置的详细步骤和参数说明，并分享了高级技巧与安全操作建议，帮助开发者高效完成FPGA程序固化。
Three.js 完整实战项目：构建一个 3D 商品展示空间
Three.js 作为强大的 WebGL 框架，广泛应用于交互式 3D 场景开发，尤其适合创建沉浸式商品展示空间。本文将通过一个完整的实战项目，展示如何构建一个 3D 商品展示空间，涵盖项目架构、资源组织、多模型切换、交互热点绑定、移动端适配和帧率优化。项目以展示虚拟商品（如家具或电子产品）为核心，结合用户交互，基于 Vite、TypeScript 和 Tailwind CSS，支持 ES Modules，确保响应式布局，遵循 WCAG 2.1 可访问性标准。本文适合希望通过综合项目掌握 Three.js
【2026年华为暑期实习（非AI方向(通软&嵌软&测试&算法&数据科学)）-4月8日-第一题- 包裹的编码】（题目+思路+Java&C++&Python解析+在线测试)
摘要：该问题要求将给定的十进制整数N转换为混合进制编码字符串，并处理回文检测。首先根据N的符号位确定编码首位（0或1），然后按输入的进制序列依次对N的绝对值进行取余和整除操作，得到编码数组。将数组元素转换为字母后生成字符串，若字符串为回文则添加"(palindrome)"后缀；否则输出最长回文子串（字典序最小）。算法采用中心扩展法检测回文，时间复杂度为O(L²)，空间复杂度为O(L)，其中L为字符串长度。
国科大学习资料--计算机视觉（胡占义、董秋雷）--2018-2019第二学期期末试卷
国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 国科大学习资料–计算机视觉（胡占义、董秋雷）–2018-2019第二学期期末试卷 ...
手把手教你学PCIE--基本概念：PCIe 初始化流程概述
硬件上电复位：系统上电时，所有 PCIe 设备都会进行复位。链路训练（Link Training）：主机和设备之间通过链路训练状态机（LTSSM）协商链路参数（如速度和宽度）。配置空间访问：主机通过配置空间读写来发现和配置设备。资源分配：主机为设备分配内存映射 I/O 区域（BARs）、中断向量等资源。驱动程序加载和高级配置：操作系统加载设备驱动程序，并进行更高级的配置和状态监控。硬件上电复位：确保所有设备处于已知的良好状态。链路训练：主机和设备通过 LTSSM 协商链路速度和宽度。
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")
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。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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
574
扫一扫
