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
3.2k累计阅读
3.2k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
| 發表於: 星期四 七月 15, 2004 6:58 pm |
|
|
| 發表於: 星期五 七月 16, 2004 6:05 pm |
|
軟體首頁： http://iptel.org |
SER SIP server 進階設定2 -- serctl
| 發表於: 星期二 七月 20, 2004 6:21 pm |
|
軟體首頁： http://iptel.org |
| 表於: 星期四 八月 05, 2004 3:07 pm |
|
軟體首頁： http://iptel.org |
SER (Sip Express Router) SIP server
| 發表於: 星期五 六月 11, 2004 9:30 am |
|
軟體首頁： http://iptel.org |
【信息科学与工程学】计算机科学与自动化——第一百五十五篇 缓存系统设计01 基础知识
CPU：拥有 L1/L2/L3 多级缓存，用于暂存即将执行的指令和频繁访问的数据。GPU：包含显存、纹理缓存、常量缓存、指令缓存等，加速图形渲染和通用计算。RAID 卡 / 存储控制器：自带缓存（通常带电池保护），用于合并写操作、加速读写。打印机：内置内存缓存，用于暂存待打印的页面数据，避免反复从电脑传输。光驱 / 蓝光播放器：内部缓存用于平滑读取光盘数据，防止因寻道延迟导致卡顿。操作系统：页缓存（Page Cache）：缓存文件系统数据，减少磁盘 I/O。目录缓存（dentry cache）：加速路径查找
SER SIP server 進階設定2 -- serctl
SER SIP server 進階設定2 -- serctlserctl使用法 為你的realm增加新的管理者 現在我們已經有了一個可用的資料庫且SER也能正確使用它了，現在可以加入一些使用者並且最少讓其中一位使用者具有管理者的權限。如果你想要使用網頁管理工具如serweb的話這就很重要了。 簡單的號操作可以透過serctl這個指令稿程式來達成，程式位置 rpm檔安裝： /usr/
【信息科学与工程学】【通信工程】第七十七篇 城域网+FTTR/FTTB/FTTC/FTTO的数学分析01
总带宽 Btotal需考虑各业务带宽 Bi及统计复用性（按80%计算）：Btotal=0.8∑i=1nBi。调度延迟 Di=rili，其中 li为包长。：dtdN2=hνpAPpσap(Nt−N2)−τN2−hνsAPsσesN2，N2=上能级粒子数，N_t=总Er³⁺浓度，σ_ap/σ_es=吸收/发射截面，τ=荧光寿命(≈10ms)，A=纤芯面积。调度分数 Scorej=w1umax−uminumax−uj+w2mmaxmj。
SIP Server四种角色
SIP四种服务器 Location Server:可以理解成为保存有所有号码的数据库服务器 Proxy Server：路由服务器将电话路由到下一个域中，直至callee Redirect Server：不路由，直接返回callee的地址信息，实现直接通话 Registrar：用于注册的服务器
【硬核指南/MI50 32G/Ubuntu】从零部署大模型：MI50显卡Ubuntu系统驱动安装与避坑全记录
本文详细记录了在Ubuntu系统上为AMD MI50显卡安装驱动并部署大模型的完整流程，包括硬件兼容性检查、BIOS关键设置、系统安装优化、ROCm驱动安装及常见问题解决方案。特别针对MI50显卡在X99平台上的特殊配置需求提供了实用技巧，帮助用户避免常见陷阱，提升大模型训练效率。
Windows 2012 SYSVOL复制失败的处理
题外话：晓原理、知架构、查日志是排错的三件法宝今天在DC1上新建并链接了一个组策略对像，在客户端刷新时，却报下面的错误：“处理组策略失败。Windows无法应用组策略对象LDAP….”如下图所示：于是在客户端用\\domain.com访问，发现\\domain.com\SYSVOL\domain.com\policies下面没有上面报错的组策略对象。这是怎么一回事呢，pin...
SER SIP server 進階設定1 -- mysql
SER SIP server 進階設定1 -- mysqlSER與MYSQL 當完成SER SIP server 快速安裝之後我們變得到一個可以使用的 SER 伺服器，指示這個伺服器是屬於簡單且陽春的，特別是它並不做使用者的身份認證而且在伺服器重開機之後便會失去使用者的位置資料等。 要加強伺服器的強韌性並在重新開機後仍能保持使用者的認證資料及記錄使用者位置，SER可以設定為支援MYSQL資
DDR Study - LPDDR5 Power-Up and Initialization Sequence
本文深入解析LPDDR5内存的上电初始化流程，涵盖电源斜坡、复位信号释放和初始化训练等关键阶段。通过实际案例分享，详细探讨了电源轨时序、RESET信号处理、ZQ校准和CA总线训练等核心技术要点，帮助硬件工程师规避常见设计陷阱，确保DDR内存稳定运行。
linux sipp 呼叫转移_开源VoIP/电话 - linux学习笔记 - 优快云博客
开源VoIP/电话By jirong on 大珠小珠有关PBX应用和交互语音应答系统的方案数量众多。Digium发起的Asterisk是首批开源 VoIP项目之一，也是最早的VoIP PBX之一。Asterisk是一个非常成熟的平台，采用GPL许可证，它几乎支持连大企业都会希望VoIP网关解决方案提供的各种功能，包括语音邮件、 呼叫转移、会议功能，甚至交互语音应答(IVR)等。它还有呼叫详细记录-...
HTML5期末大作业：水果超市网站设计——水果超市(6页) HTML+CSS+JavaScript 学生DW网页设计作业成品 web课程设计网页规划与设计 网购商城设置网页
HTML5期末大作业：水果超市网站设计——水果超市(6页) HTML+CSS+JavaScript 学生DW网页设计作业成品 web课程设计网页规划与设计 网购商城设置网页 常见网页设计作业题材有 个人、 美食、 公司、 学校、 旅游、 电商、 宠物、 电器、 茶叶、 家居、 酒店、 舞蹈、 动漫、 明星、 服装、 体育、 化妆品、 物流、 环保、 书籍、 婚纱、 军事、 游戏、 节日、 戒烟、 电影、 摄影、 文化、 家乡、 鲜花、 礼品、 汽车、 其他 等网页设计题目, A+水平作业, 可满足大
从INCA到Excel：手把手教你移植汽车标定数据的查表插值算法（附源码）
本文详细介绍了如何将汽车标定数据从INCA平台移植到Excel，实现查表插值算法的完整迁移。通过解析INCA MAP数据结构，设计Excel环境下的双线性插值算法，并提供VBA和C#两种实现方案，帮助工程师高效处理标定数据。文章包含实用代码示例和性能优化技巧，适用于ECU开发与标定场景。
开源项目推荐：OpenSIPS - 强大的SIP服务器解决方案
OpenSIPS（Open SIP Server）是一款基于GPL许可的多功能SIP（会话发起协议）服务器实现。它源自Fokus Fraunhofer SER项目的分支，但追求更高的开放性，不仅在许可证上，而且在项目管理和外部贡献方面。OpenSIPS由专业团队维护，其中包括SER项目的核心开发者，目标是减少从新特性加入到发布的周期，确保快速迭代。该项目的主页位于[opensips.org](ht...
牛耕式全覆盖算法-matlab代码
牛耕式路径全覆盖算法，也称为牛耕算法或者蚂蚁算法，是一种用于解决路径规划问题的启发式算法。这个算法的灵感来自于牛在耕田时的行为。在这个算法中，假设有一块田地需要耕作，牛从田地的某个角落开始行走，走过的路径会被标记。牛会优先选择尚未经过的路径，当所有的路径都走过后，算法停止。在路径规划问题中，田地可以看作是一个由节点和边构成的图。每个节点代表一个位置，每条边代表两个节点之间的连接。路径全覆盖问题是找出一组路径，使得每个节点都被至少一条路径经过。牛耕式路径全覆盖算法的基本思想是以启发式的方式逐步构建路径。
OpenSIPS终极指南：构建企业级VoIP服务器完整教程
OpenSIPS是一个功能强大的开源SIP服务器，能够作为SIP中继、注册服务器、位置服务器和重定向服务器使用。作为SER项目的分支，OpenSIPS致力于提供更开放的项目管理，确保新功能能够更快地进入发布版本。 ## 什么是OpenSIPS？🤔 OpenSIPS是一个GPL许可的多功能SIP服务器实现，专注于为企业级SIP服务器平台提供高性能、安全性和质量的技术解决方案。它支持VoIP通信
STM32CubeIDE开发环境搭建与GPIO控制实战
嵌入式开发中，MCU开发环境构建是软硬件协同的起点，其核心在于工具链选型、外设抽象层级与调试可靠性。HAL库作为ST官方标准硬件抽象层，通过统一接口屏蔽芯片差异，显著提升工程可移植性；而STM32CubeIDE则以图形化配置+自动生成代码的方式，实现‘配置即代码’的确定性开发范式。该组合在教学验证、原型迭代和中小规模量产中具备高性价比技术价值，广泛应用于智能传感、工业HMI及IoT终端等场景。本文聚焦STM32CubeIDE 1.15.0环境部署、MyST账户与固件包管理、ST-LINK驱动校验，以及基于H
KingSCADA3.8保姆级安装教程
大家好，我是雷工！最近开始学习KingSCADA，今天这篇详细记录安装KingSCADA3.8的过程。首先下载需要的安装版本，此处以从官网下载的最新版本KingSCADA3.8为例，双击：Setup.exe;
node静态服务器优缺点_使用node 做静态文件服务器
# 1. 使用server-static 包使用node可以非常快速的方法把指定目录共享出去前提条件：安装了node，附带有npm要托管的文件目录为 /root/www# 先创建一个目录用来存放脚本和依赖包$mkdir nodeser &&cd nodeser# 初始化项目，一路按enter使用默认值$npm init# 安装connect 包和 serve-static 包$np...
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
一个用Delphi做的SIP Stack（协议栈）和软电话与网关的网站有源码的哦
地址：http://www.ictrnid.org.uk/index.html?softlib.htmlthe source code for an RFC3261 SIP stack, a RFC3550 RTP stack and SDP (RFC2327) parsing and utilities. Please note this is a work in progress. Use
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")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
软交换分组协议基础
软交换分组协议基础SIGTRAN关键词：SIGTRAN M2UA NIF SCTP MTP2 摘 要：本文对SIGTRAN协议进行简介，重点对NGN组网中使用的M2UA协议部分进行介绍，对于NGN的概念和协议的简介参见《软交换分组协议基础－NGN和软交换分组协议综述V2.0》文档。缩略语清单： 名词英文解释中文解释SIGTRAN Signalling Transpo
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
一些和sip协议相关的FAQ
SIP FAQSubcategories:SIP BasicsSIP FunctionalitySIP Protocol OperationRelationship to Other Protocols Answers in this category:How do I show this FAQ as a single page?RTP Issues
开源的SIP项目～～～
Project NameDescriptionFilesActivity %sipp Sipp is a performance testing tool for the SIP protocol. Its main features are basic SIPStone scenarios, TCP/UDP transport, customizable (x
基于SIMPLE协议的Presence介绍[1]
E-mail: macrofox@163.com QQ:18902388 MSN: ming_wy@hotmail.com 目 录基于SIMPLE协议的Presence介绍... 11.概述... 32.基于SIMPLE协议的presence体系结构... 33.SIMPLE规范阅读指南... 54.典型消息流程... 64.1 订阅好友列表... 74.1.1情景
SIGTRAN（Signaling Transport， 信令传输协议
SIGTRAN（Signaling Transport， 信令传输协议）协议栈支持通过IP 网络传输传统电路交换网SCN（Switched Circuit Network ，电路交换网）信令。该协议栈支持SCN 信令协议分层模型定义中的层间标准原语接口，从而保证已有的SCN 信令应用可以未经修改地使用，同时利用标准的IP 传输协议作为传输底层，通过增加自身的功能来满足SCN 信令的特殊传输要求
oSIP开发者手册
oSIP开发者手册——本手册指导开发者利用oSIP栈开发用户代理原文标题：oSIP User Manual原文作者：Aymeric Moizard联系方法：jack@atosc.org版权保护：GNU Free Documentation License项目网站：http://osip.atosc.org译文作者：陈善学联系方法：chenshanxue@263.
SIP和ISUP协议互通的研究
SIP和ISUP协议互通的研究凌 颖, 钮颖彬, 李 青（中国电信集团上海研究与开发中心, 上海 200122） 摘 要：本文是基于软交换（SoftSwitch）技术的发展而提出的，从网络融合的角度分析了SIP和ISUP互通单元（IWU,即Interworking Unit ）的结构模型，着重介绍了IWU上实现SIP和ISUP互通的原则和机制，为实现PSTN向软交换网络的平滑过渡提供了可行的解
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
290
扫一扫
