相关推荐
下水管道损坏检测数据集总结
下水管道损坏检测数据集包含 6708 张图像,为下水管道损坏情况的检测提供了丰富的数据基础。该数据集提供了 YOLO 和 VOC 两种常见的标注方式,方便不同需求的使用者进行模型训练和研究。
某一正整数,进行递减,每次将该数减半后再减一,当对该数进行第10次减半时
//某一正整数,进行递减,每次将该数减半后再减一,当对该数进行第10次减半时 //发现该数只剩下1不能再减了,求该数。 #include using namespace std; int main() { int a,b,c,d,e,f,g,h,l,i; for(i=1;i { a=(i*2)+1; b=(a*2)+1;
【汽车主动降噪】【ANC算法优化】基于深度学习的汽车主动噪声控制技术研究及Matlab实现
本文探讨了基于深度学习的汽车主动降噪(ANC)算法优化方案。针对传统FXLMS算法在应对复杂、非线性车内噪声时的局限性,文章详细解析了如何利用神经网络作为非线性建模器、深度滤波器或智能步长调节器来增强ANC系统性能,并提供了完整的Matlab仿真实战流程,展示了深度学习在提升降噪效果和收敛速度方面的潜力。
小黄做的算法题
树的深度 题目描述: 输入一棵二叉树,求该树的深度。从根结点到叶结点依次经过的结点(含根、叶结点)形成树的一条路径,最长路径的长度为树的深度。 题解: 给出一颗二叉树,求树的最大深度,也就是从根节点到所有叶子节点中的最大值 方法一: 分治法简介:求一个规模为n的问题,先求左边规模大约为n/2的问题,再求右边规模大约为n/2的问题,然后合并左边,右边的解,从而求得最终解。具体可参考归并排序。 步骤: 1. 求 pro(left, rigth) -> int 2. 先求pro(left, (left+
颠覆性创新的测量框架与跨领域实证分析
颠覆性创新作为科技发展的重要驱动力,其核心在于实现知识体系的范式转换。从技术原理看,这类创新通常具备知识替代、网络重构和跨领域渗透三大特征,通过引用网络分析和文本挖掘等方法可量化评估其影响力。在工程实践中,CD指数、DI指数等测量工具帮助研究者识别具有突破潜力的成果,而深度学习等新兴技术进一步提升了评估精度。当前AI、半导体等领域的热门技术发展表明,模块化架构和产业协同能有效促进颠覆性创新。面对全球范围内创新颠覆性下降的趋势,优化科研评价体系、构建跨学科协作网络成为关键应对策略。
【高级-RAG-优化方法】
本文介绍了两种优化RAG(检索增强生成)系统的高级方法。第一部分介绍KnowFlow项目,它采用父子分块技术,将文档分为父分块(800-1500字符)和子分块(200-400字符),通过精确匹配子分块再返回父分块内容来保证搜索精确性和上下文完整性。第二部分探讨Milvus的多种增强技术,包括查询增强(如假设问题生成、回溯提示)、索引增强(自动合并块、分层索引)、检索器增强(句子窗口检索、元数据过滤)、生成器增强(提示压缩、块排序)以及管道增强(自我反省、代理查询路由)。这些方法共同提升了RAG系统的检索效率
编程技巧:SQL 处理超大查询
编程技巧:SQL 处理超大查询
WorkBuddy Skill赋能HYSYS与Comsol:AI工作台下的仿真自动化实践
AI Agent正将工业软件自动化带向新高度。在工程仿真领域,流程模拟与多物理场分析常因重复性操作而效率低下,Aspen HYSYS的批量工况调整、Comsol的参数扫描与网格重构均属此类。WorkBuddy这类AI工作台通过Skill将软件二次开发能力封装为可插拔技能包,利用HYSYS的COM/OLE接口和Comsol的Java API,实现自然语言指令到自动化执行的转变。其技术价值在于降低自动化门槛、沉淀工程经验,并支持日志审计与异常重试。在实际应用中,无论化工流程的灵敏度分析,还是激光焊接、移动网格等
Yolov8轻量级网络:Ghostnet、G_ghost、Ghostnetv2家族大作战(一):华为Ghostnet,超越谷歌MobileNet | CVPR2020
Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等,减少最新的深度神经网络的计算成本,引入高效的神经网络结构。
Linux系统安全学习手册
Linux反弹shell Linux系统应急响应 Linux服务器安全加固 Linux下的用户、组和权限 Linux中的gcc Linux中su和sudo的用法和区别 Linux系统python2与python3共存 Linux中grep工具的使用 Linux中环境变量的设置 Linux中常见的150个命令(干货) Linux中编写Shell脚本 LNMP环境搭建Wordpress博客 LAMP环境搭建一个Discuz论坛 Linux运维比较常用的一些脚本 Linux系统中安装软
20TB 零误差迁移,存储成本减半:天合富家的 2.6→3.3 进化记
作为分布式光伏领域的领军企业,天合富家的光伏数据量从最初的每日百万级飙升至千万级。原有基于 MongoDB 的架构在面对海量时序数据时彻底“卡壳”——查询慢、存储贵,难以支撑业务增长。转机来自 TDengine TSDB:凭借高压缩比与毫秒级查询性能,成功实现数据零延迟入库、存储成本减半。后续天合富家又全面升级至 3.3 版本,为其构建零碳生态体系提供了高性能、可扩展、可信赖的数据底座,持续驱动企业在分布式能源数字化道路上加速前行。
LFI Scanner 本地文件包含漏洞扫描、文件路径遍历、敏感文件读取(etcpasswd)
✅ **敏感文件读取验证**:内置`/etc/passwd、/windows/system32/drivers/etc/hosts、phpinfo.php`等敏感文件字典,一键验证漏洞可利用性;🔴 **Windows**:`/windows/win.ini`(系统配置)、`/windows/system32/drivers/etc/hosts`;🔴 **Linux**:`/etc/passwd`(用户信息)、`/proc/version`(内核版本)、`/etc/hosts`(域名解析);
b+树的时间复杂度
b+树会先从根节点开始往下找到叶子节点,查找过程类似二分查找,每次查询都能缩小查询范围的一半,所以时间复杂度是O(logn)
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
老系统mysql数据库慢查询优化
MySQL性能优化关键参数:innodb_buffer_pool_size(缓冲池大小)。建议设置为物理内存的70-80%,实测1G可显著提升性能。支持两种修改方式:临时修改(SET GLOBAL命令,5.7+版本支持,重启失效)和永久修改(配置文件[mysqld]段添加参数后重启服务)。Linux配置文件通常位于/etc/mysql/或/etc/my.cnf,Windows在my.ini/my.cnf。修改后可通过SHOW VARIABLES或SELECT语句验证设置值。
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。
leetcode刷题(柠檬水找零、接雨水、宝石与石头、将数组和减半的最少操作次数、更新数组后处理求和查询、删除每行中的最大值、并行课程③)
柠檬水找零、接雨水、宝石与石头、将数组和减半的最少操作次数、更新数组后处理求和查询、删除每行中的最大值、并行课程③
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
Pi0数据库智能管理:MySQL查询优化与自动化运维
本文介绍了如何在星图GPU平台自动化部署pi0镜像,实现MySQL数据库的智能管理与自动化运维。该镜像能够自动优化SQL查询、监控性能并提供预测性维护,典型应用于电商、金融等行业的数据库查询加速与资源优化,显著提升运维效率。
SQL SEVER数据库重建索引的方法
本文介绍数据库查询性能优化的方法。首先通过SQL语句分析查询统计信息,找出执行缓慢的查询;其次检查表数据量和磁盘使用情况,重点关注业务频繁查询的表;然后使用DBCC SHOWCONTIG命令评估表碎片情况,当扫描密度低于100%或碎片超过30%时需优化;针对高碎片表执行索引重建命令(ALTER INDEX ALL REBUILD),优化后密度可提升至96.9%,逻辑碎片显著减少;最后验证优化效果,查询平均时间可下降近半,显著提升数据库性能。该方法通过系统分析、碎片整理和效果验证三个步骤有效解决查询缓慢问题。
查找数据方法
一个无序数组从数组中查询数据时间复杂度为O,有序数组则采用折半查找法,时间复杂度为O(logn).n=2^y 则y=log2n时间复杂度为log2为低,n的对数。第一轮:中间的mid进行查询 n/2(剩余)第二轮:中间的mid进行查询 n/4(剩余)第三轮:中间的mid进行查询 n/8(剩余)时间复杂度是数据总量n和计算次数y之间的关系。第y轮:中间的mid进行查询 n/2^y=1。
记录一次性能优化中的问题与方案
本文主要记录工作中的一次性能优化,主要从数据库,Java代码层,以及前端返回数据三个方面进行优化,响应时间从2.2秒左右提升到1.1~1.2秒。 1、数据库方面 由于数据库中数据量较大并且使用到的表较多,有些数据量较大的查询速度明显增加,而且由于表数量多、基数大,尽管每次查询速度不慢,但还是会增加总体的响应时间。 1. 数据的查询顺序 数据查询的过程中发现有些查询的结果集很大但是并没有用到...
[Codeforces Round #250 (Div. 1)] D. The Child and Sequence 线段树维护区间值以及单点更新
题目链接:D. The Child and Sequence 题解 本题的难点是取模。 例如:x%i{x\%i}x%i 如果i≤⌈x2⌉{i≤\lceil{\frac{x}{2}} \rceil}i≤⌈2x⌉,那么余数必定小于除数⌈x2⌉{\lceil{\frac{x}{2}} \rceil}⌈2x⌉ 如果x≥i>⌈x2⌉{x≥i> \lceil{\frac{x}{2}} \rceil}x≥i>⌈2x⌉,那么余数为x-i仍然小于⌈x2⌉{\lceil{\frac{x}{2}} \r
二分法:高效查找的数学利器
二分法是计算机科学中一项重要的算法,广泛应用于各类查找和优化问题。其高效性使其成为处理大规模数据时的首选方法之一。通过掌握二分法的原理和实现,可以大大提升算法设计与编程能力。
waynboot-mall性能优化实战:Redis缓存策略与数据库查询优化
waynboot-mall是一套全部开源的微商城项目,包含运营后台、H5商城前台和服务端接口,基于Springboot3.0、jdk17,整合了MySql、Redis、RabbitMQ、ElasticSearch等常用中间件。本文将深入探讨如何通过Redis缓存策略与数据库查询优化提升系统性能,让你的微商城在高并发场景下依然保持流畅运行。 ## 一、系统架构概览:性能优化的基础 在进行性能优化
mybatis/mybatis plus lambda会话缓存失效(2)
,由于我的这个功能在单次请求内反复查询了多个表的数据,但是查询最多的表是有限的,并且我的系统分运行态和设计态,这张表是设计态的表,接口是运行接口设计表几乎不会修改,因此不考虑并发等问题。并且添加了一个ThreadLocalContextFilter,确保每次会话结束时缓存会被清空,如果没有这个类的话,很难把握数据初始化和清空的时机。在原来的机制下,由于每次调用DML语句都会清空所有mybatis缓存,设计态的表被反复查询,整个接口的调用时长超过了一秒,优化后时间减半。书接上回,有两个解决方案。
数据结构之跳表
数据结构之跳表 跳表可以说是B+树的一种拓展 1. 什么是跳表 在介绍跳表的定义之前,我们先来了解一下链表,对于一个单链表来说,即便链表中存储的数据是有序的,如果我们要想在七种查找某个数据,只能从头到尾遍历链表,查找的效率很低,查找的时间复杂度为 O(n); 由于单链表的查找效率太慢,我们想,可以通过什么方式能够提高链表的查找效率呢? 我们试着对链表中建立索引,使用索引来标记和记录数据的位置。如下图 如上图所示,我们给单链表建立了一个索引层,当我们想查找某个数据(16)时,我们可以先在索引层遍历,当遍历
洛谷【P3612】[USACO17JAN]Secret Cow Code秘密奶牛码
我对分治的理解:https://www.cnblogs.com/AKMer/p/9728574.html 题目传送门:https://www.luogu.org/problemnew/show/P3612 因为每次操作都会使原串增长一倍,并且后半部分与前半部分极其相似,所以我们可以将其分治。 因为是将原串的最后一个字符放到第一个来,其余字符全部后移一位,所以在后一半的第\(i\)位就是前...
872



被折叠的 条评论
为什么被折叠?



