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
126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
在本篇文章中，我们将介绍使用OpenCV库进行各向异性图像分割和间隙流体的实例。我们将提供相应的源代码，并详细解释每个步骤的实现原理。
导入必要的库和声明命名空间
首先，我们需要导入OpenCV库并声明所需的命名空间：
#include <opencv2/opencv.hpp>
using namespace cv;
读取输入图像
我们从磁盘中读取输入图像。在本例中，我们假设图像已经存在并且位于当前工作目录中。你可以根据自己的需求修改图像路径。下面是读取图像的代码：
Mat inputImage = imread(数据挖掘实战：决策树 + 聚类 + 关联规则，零 Key 离线可跑（Python 源码）
数据挖掘实战包。用 Python 标准库实现 CART 风格决策树、K-Means 聚类与 Apriori 关联规则，在虚构「星河便利店」会员表和购物篮上跑通分类、分群与购物篮分析，并给出准确率、轮廓系数、支持度/置信度/提升度。零第三方依赖、零 API Key 即可离线跑通。含 4 个样例、离线冒烟、中文 README（含「使用方法」）。均为作者原创可运行源码。MIT。作者 blog.youkuaiyun.com/mtl1994
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？.docx
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？
产业园区如何高效对接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。
国央企创新负责人如何快速掌握本地科技资源分布与匹配情况？.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实现科技成果的精准识别与高效筛选？.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。
高校技术转移办公室人员如何系统化管理科技成果信息？.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。
科技中介服务机构如何构建标准化、模块化的智能服务工具？.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。
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
PSIM-三相维也纳VIENNA整流器电压电流双闭环+中点电位平衡SVPWM控制仿真
内容概要：本文档详细介绍了一种基于PSIM软件实现的三相维也纳（VIENNA）整流器仿真模型，重点实现了电压电流双闭环控制与中点电位平衡的SVPWM调制策略。该仿真系统通过精确的控制算法有效提升了整流器的功率因数，降低了输入电流谐波含量，并解决了三电平拓扑中常见的直流侧中点电位偏移问题，具有较高的工程实用价值，适用于高效率、高功率密度的电力电子系统设计与科研验证。文档还整合了丰富的配套资源，涵盖多种电力电子变换器拓扑结构、先进控制算法及典型应用场景，形成了系统化的技术资料体系，有助于深入理解现代整流技术的核心原理与发展动态。; 适合人群：面向从事电力电子、电气工程、新能源变换系统等领域的科研人员、高校研究生以及具备一定仿真基础的工程技术人员。; 使用场景及目标：①深入研究三相VIENNA整流器的工作机理与控制特性；②掌握电压外环、电流内环双闭环控制结构的设计方法；③理解并实现SVPWM调制技术与中点电位平衡控制策略的协同作用；④开展相关控制算法的仿真验证、性能优化与实验对比，为高性能整流装置的研发提供理论支撑和技术原型。; 阅读建议：建议结合文中列出的其他仿真案例（如PWM整流器、LLC谐振变换器、DAB变换器等）进行横向对比学习，充分利用所提供的PSIM、MATLAB/Simulink等多平台仿真资源，重点关注控制逻辑与主电路的耦合关系，通过参数调试与波形分析深化对系统动态响应和稳态性能的理解，强化“理论—建模—仿真—优化”的闭环研究能力。
产业园区运营负责人如何利用数智工具提升园区企业的技术对接效率？.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。
ICD10 openGauss版
ICD10 openGauss版
产业园区运营负责人如何利用平台实现企业创新需求的精准分析与服务推送？.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。
高校技术转移办公室人员在推动成果转化落地过程中，如何实现科技成果的高效推介与价值评估？.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。
科技中介服务机构如何通过数智工具提升技术需求挖掘的精准度？.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。
政府科技管理者如何在政策支持中更精准地识别和支持高价值科技项目？.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。
全桥LLC谐振变化器参数设计资料(闭环仿真+参数设计报告）
内容概要：本文档系统性地介绍了全桥LLC谐振变换器的闭环仿真建模与关键参数设计方法，涵盖其工作原理、谐振元件（如谐振电感、谐振电容、励磁电感）的计算与优化流程，并结合Simulink或Plecs等仿真平台构建闭环控制系统模型，重点验证变频控制策略下的软开关实现、系统增益特性、效率优化及动态响应性能。资料包含完整的仿真模型、参数设计报告、数学计算书及参考文献，支持从理论分析到工程实践的全流程研究，适用于高频高效DC-DC变换器的研发与教学应用。; 适合人群：电力电子、电气工程及其自动化等相关专业的高校学生、科研人员，以及从事开关电源、新能源变换器、工业电源研发的工程技术人员，具备电路拓扑基础与仿真软件操作能力者更佳。; 使用场景及目标：①深入掌握全桥LLC谐振变换器的工作机理与谐振参数设计准则；②学习并实现闭环反馈控制系统的建模与稳定性分析；③支撑科研课题、课程设计、毕业设计或实际产品开发中的拓扑选型与性能验证需求；④通过仿真与计算联动提升对软开关技术与效率优化的理解与应用能力。; 阅读建议：建议结合所提供的仿真文件与设计文档同步操作，按照“建模—参数计算—仿真验证—性能分析”的流程逐步推进，重点关注频率调节对ZVS/ZCS实现的影响，对比不同负载条件下的闭环响应差异，深化对谐振腔特性和控制策略协同作用的理解。
政府科技管理者如何提升区域科技成果转化项目的评价与筛选效率？.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。
jp-host-release.apk
jp-host-release.apk
从URDF到Gazebo：一个完整的ROS2机械臂仿真与运动控制实战指南
本文提供了一个完整的ROS2机械臂仿真与运动控制实战指南。详细讲解了从URDF建模、ROS2 Control配置到Gazebo物理仿真的全流程，重点介绍了如何利用MoveIt2快速搭建高级运动规划系统，并解决实际部署中的常见问题，帮助开发者高效、安全地进行机器人算法验证与开发。
MT5策略如何设置回测结果才能最接近实盘
摘要：在MT5回测中，选择"每笔分笔报价"模式最接近实盘交易，因其使用真实Tick数据模拟价格波动、点差和滑点。关键设置包括：下载高质量历史数据、合理设定点差和滑点、使用正常回测速度。该模式能准确测试挂单、止盈止损等策略，虽然速度较慢但结果最可靠，避免其他模式造成的失真，是评估交易策略表现的最佳选择。（149字）
DexProtector内存校验绕过与DEX提取实战
DEX文件是Android应用的核心执行单元，其动态加载与运行时保护机制直接关系到App安全强度。DexProtector作为主流商业加固方案，摒弃传统文件级防护，转而依托ART虚拟机下的匿名内存映射段（anonymous mmap）构建多维校验体系——涵盖字节码完整性校验、内存页属性检测及运行时环境感知。其技术价值在于将防护锚点从静态APK迁移至动态内存态，大幅提升逆向门槛。典型应用场景包括金融类App的防篡改加固、游戏客户端的反外挂保护，以及政企应用的合规性安全增强。本文聚焦DexProtector v
RC4加密算法详解
RC4（也称为 Rivest Cipher 4）是流密码的一种形式，流密码逐字节操作数据流。RC4 流密码是使用最广泛的流密码之一，它通过算法一次一个字节地加密消息，简单并且操作速度快。RC4是一种在电子信息领域加密的技术手段，用于无线通信网络，是一种电子密码，只有经过授权的用户才能享受该服务，使用 64 位或 128 位密钥大小。它通常用于安全套接层 (SSL)、传输层安全 (TLS) 等应用，也用于 IEEE 802.11 无线 LAN 标准。在存储大量的信息时，RC4展现出它的实用性，面对大量的数据，
AUTOSAR网络管理配置详解：Vector DaVinci工具全面讲解
手把手带你用Vector DaVinci完成AUTOSAR网络管理模块的配置，涵盖NmChannel、NmPdu、重复帧抑制等关键参数设置，深入解析CAN总线上的NM报文调度与唤醒机制，助你扎实掌握AUTOSAR网络管理核心实践。
Halcon和C#联合编程实现硬币识别（个人入门练习）
本人为机器视觉入门小白，自己突发奇想 1.图片数据来源和分析 2.HALCON实现 3.C#搭建界面框架 4.C#中嵌入HALCON代码，即联合编程 5.导出.exe文件，运行以及Debug 目标是这样的，在图片中识别出每种类型的硬币数量，然后计算出总钱数。先上结果，再细说过程。 C#界面和识别结果： 1.图片数据来源和分析 图片大小及格式均统一，拍摄的时候已经尽可能的去除了背景噪点，所以图像处理的要求并不很高（重点在于思路）。硬币区分原理本人代码采用直径范围来判断（也可以半径或区域面积，HALCON算子
避坑指南：SAP成本中心分割结构配置常见错误及解决（含KA06/KL01前置步骤）
本文深入解析了SAP成本中心会计中分割结构配置的关键步骤与常见错误。重点强调了配置前必须通过KA06创建次级成本要素（类别42）和通过KL01创建活动类型这两个核心前置步骤，并详细剖析了在OKES中定义分割规则及版本时的高频报错原因与解决方案，帮助顾问和运维人员有效规避配置陷阱，确保成本分摊的准确性。
图像算法中的 Blob 分析
在计算机视觉中，Blob 可以理解为在图像中具有相似性质（如颜色、亮度等）的像素群体。Blob 通常用作基本单元，在图像分析和处理任务中能够提取出有意义的特征。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
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")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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
