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
360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
两路半桥LLC谐振变换器软开关Simulink仿真（模拟谐振参数不同、分裂电容）
内容概要：本文介绍了“两路半桥LLC谐振变换器软开关Simulink仿真”资源包，重点在于基于Simulink平台对两路半桥LLC谐振变换器进行高精度建模与动态仿真，特别考虑了谐振参数不一致及分裂电容等非理想工况对系统性能的影响。该仿真模型不仅涵盖了主电路拓扑、软开关实现机制与谐振网络设计，还深入分析了不同参数配置下系统的启动特性、稳态效率、动态响应及软开关条件的满足情况。通过参数扫描与对比仿真，帮助用户掌握LLC变换器的关键设计要素与优化方法，具备较强的工程指导价值和科研教学意义。; 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师生，以及从事高频开关电源、新能源变换器、车载充电机等领域的研发工程师和技术人员。; 使用场景及目标：① 掌握两路并联半桥LLC谐振变换器的建模与仿真方法；② 理解软开关技术在提升变换器效率与降低EMI方面的关键作用；③ 分析谐振参数偏差与分裂电容结构对系统均流特性、增益曲线及软开关范围的影响；④ 支持科研项目中的拓扑验证、控制策略开发与故障工况分析； 阅读建议：建议结合Simulink仿真模型与配套说明文档进行学习，重点关注谐振腔参数设置、驱动时序设计及软开关波形观测；可通过调整谐振电感、电容值或引入参数失配，观察系统行为变化，深入理解LLC变换器的稳定边界与优化设计原则。
微软技术日报 11-09：.NET 8 与 9 明日同时停止支持，注册表编辑器出了 WinUI 3 版
今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点，注册表编辑器的新界面只放在仓库里给人看，GitHub 把一类危险触发器按住默认，微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里，被按住的触发器可以用策略按文件放回来，实验室里的样例随时可能变成产品。区别在于这些动作要有人签字，不再是默认开着。如果今天只做一件事，去看一眼构建机上的 .NET 版本。明天之后，8 和 9 的漏洞补丁不会再来了。
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。
微软技术周报 11-02~11-09：VS Code 混装 Claude 与 Codex、EF Core 11 静默改行为、.NET 11 倒计时
11 月 6 日，Power Platform 通过消息中心通知管理员，Copilot Studio、Power Automate 和 Power Apps 里所有跑在 Anthropic Claude、xAI Grok 以及旧版 GPT 上的 prompt，12 月 2 日自动迁移到 GPT-6 系列，档位价格不变，模型选择收窄到一条产品线。效果是这样的：让 Claude 评审一个 Copilot chat 写出的方案，或者把同样的任务交给 Codex，两边并排跑在同一个会话里。更要紧的是下周的时间线。
全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型（Simulink仿真实现）
全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型（Simulink仿真实现）
虚拟同步发电机（VSG）惯量阻尼自适应控制仿真模型（simulink仿真实现）
内容概要：本文提供了“虚拟同步发电机（VSG）惯量阻尼自适应控制仿真模型”的Simulink仿真实现方法，系统阐述了如何通过仿真手段研究VSG在电力系统中的动态响应特性，重点聚焦于其惯量与阻尼的自适应控制策略。文中详细说明了模型构建流程，涵盖控制算法设计、参数调节、根轨迹分析等内容，并通过对比不同调节系数下的系统响应，深入探讨了控制参数对系统稳定性与动态性能的影响。该仿真模型有效复现了VSG模拟传统同步发电机惯性与阻尼特性的能力，对于提升新能源并网系统的频率稳定性和抗扰动能力具有重要研究价值。; 适合人群：具备电力系统、自动化或相关领域基础知识，从事新能源并网、微电网控制、电力电子与电力系统仿真研究的研究生、科研人员及工程师。; 使用场景及目标：①用于教学与科研中深入理解虚拟同步发电机的工作原理及其在现代电力系统中的应用；②为新能源发电系统接入电网时的稳定性分析与控制策略设计提供仿真验证平台；③支持对VSG控制参数进行优化，提升系统应对负荷波动和扰动的能力。; 阅读建议：建议读者结合Matlab/Simulink软件动手实践，按照文档结构逐步搭建仿真模型，重点关注控制环路设计与参数整定部分，同时参考提供的代码与仿真结果进行对比分析，以加深对VSG自适应控制机制的理解。
一款基于 .NET 开源、免费的数据库自治诊断平台
DBPilot。它解决的是 DBA 日常工作中最耗时的痛点：性能趋势分析、Top SQL 定位、阻塞与死锁排查，原本散落在多个工具和脚本里的活，现在一个 Web 控制台全搞定。DBPilot 是一个自托管的数据库自治诊断平台。它持续采集实例的性能数据，在同一个 Web 控制台里完成日常 DBA 工作流：性能趋势与 AAS 负载拆解、Top SQL、执行计划变更跟踪、缺失索引建议、索引使用与碎片、阻塞分析、死锁分析、慢日志。
两相交错并联Boost电路仿真模型（Simulink仿真实现）
内容概要：本文介绍了“两相交错并联Boost电路仿真模型（Simulink仿真实现）”的技术资源，属于电力电子变换器领域的仿真研究内容。该模型基于Simulink平台构建，旨在深入分析两相交错并联Boost电路的工作原理、动态响应特性及控制策略。交错并联结构通过错开各相开关管的导通时刻，有效降低输入电流纹波、提升系统效率与功率密度，适用于中高功率DC-DC变换应用场景。资源包含完整的主电路建模、PWM驱动信号生成、闭环控制器设计（如电压/电流双闭环控制）等关键模块，并可能涵盖软启动、均流控制等关键技术问题。整个仿真模型强调理论分析与工程实践的紧密结合，不仅有助于理解电路基本行为，也为优化控制算法提供验证平台，服务于科研与教学需求。; 适合人群：电气工程、自动化、电力电子及相关专业的高校本科生、研究生，以及从事电源系统研发的工程技术人员，具备一定的电路理论、自动控制原理和Simulink仿真基础者更佳。; 使用场景及目标：① 学习和掌握两相交错并联Boost电路的拓扑结构、工作机理及性能优势；② 利用Simulink进行电力电子电路的建模与仿真，深入理解PWM控制、闭环调节、均流控制等核心技术的应用；③ 为科研项目、课程设计或毕业设计提供可复用的仿真案例和技术支持，辅助开展中高功率电源系统的创新设计与优化研究。; 阅读建议：建议结合Simulink软件动手搭建并调试模型，通过调整占空比、开关频率、电感参数等变量，观察其对输入电流纹波、输出电压稳定性及动态响应的影响，以深化对电路特性的理解；同时可参考文中列出的其他相关资源（如LLC、PFC等仿真模型）进行横向对比学习，拓宽电力电子系统设计视野。
.NET 11 - 尝试一下Blazor中Virtualize组件的Scroll新特性
2026年11月10日，微软发布了.NET 11正式版！这是一个STS版本, 微软提供两年支持。同时.NET 8 和 .NET 9 在 2026 年11月10日开始结束支持。.NET11处于Release Candidate 3阶段的时候，只支持在Visual Studio 2026 Insiders 和 Visual Studio Code(安装了C# Dev Kit.NET extension)中创建.NET11项目。
区域电网含风光火压缩空气储能抽水蓄能以及电化学储能的联合调度，加入IEEE39系统，进行潮流计算，分析电能质量研究（Matlab代码实现）
内容概要：本文研究了包含风能、太阳能、火电以及压缩空气储能、抽水蓄能和电化学储能等多种能源形式的区域电网联合调度问题，通过将系统接入IEEE 39节点标准测试系统，利用Matlab平台开展潮流计算与电能质量分析，旨在提升高比例可再生能源接入背景下电网运行的稳定性与供电品质。研究重点涵盖多类型电源与多种储能系统的协调优化调度策略设计，深入探讨储能系统在削峰填谷、平滑新能源出力波动方面的关键作用，并对复杂运行工况下电压偏差、频率波动、谐波污染等电能质量问题进行评估与改善。通过构建完整的仿真模型，系统性地分析了联合调度对电网电能质量的影响机制，为现代电力系统中多能互补与协同控制提供了理论依据和技术参考。; 适合人群：具备电力系统分析、优化调度及电能质量相关基础知识，熟悉Matlab/Simulink仿真环境的研究生、科研人员及电力系统相关领域的工程师。; 使用场景及目标：①为含多种储能的区域电网联合调度研究提供完整的Matlab仿真案例与开源代码参考；②分析大规模新能源接入对IEEE 39系统潮流分布及电能质量的综合影响，并定量评估不同类型储能系统的调控效果；③为电力系统优化调度、电能质量综合治理、多能协同控制等学术研究与工程项目提供可复现的技术支撑与解决方案。; 阅读建议：本资源以Matlab代码实现为核心，读者应在掌握电力系统基本理论的基础上，重点关注联合调度的数学建模过程、储能系统充放电策略的制定逻辑以及电能质量各项评价指标的计算方法。建议在学习过程中动手调试仿真代码，尝试调整系统参数、优化目标权重或改变新能源渗透率，以深入理解系统动态行为与控制策略的有效性。
Hermes Agent Windows安装教程：本地智能体离线部署实战
本地智能体（Local Agent）是一种运行在用户设备端、无需云端依赖即可响应自然语言指令并自动化执行任务的轻量级AI运行时框架。其核心原理基于配置驱动的任务监听与脚本调用机制，通过服务化驻留实现持续响应能力，技术价值在于保障数据隐私、规避API调用限制、适配内网及老旧系统环境。典型应用场景包括财务报表自动整理、科研仪器数据归档、IT资产变更通知等Windows桌面自动化需求。本文聚焦Hermes Agent这一主流开源实现，围绕Windows平台特有的服务注册、权限模型、杀软拦截、中文路径与YAML编码
Keycloak.Admin.Sdk 26.8.1-preview.3 发布：从管理 API 到应用协议的 .NET 10 SDK
如果你的项目正在使用 Keycloak 26.8.1，欢迎通过 NuGet 体验 **26.8.1-preview.3**，也欢迎提交具体接口、协议或运行环境下的使用反馈。
sysbench安装（在线&离线）
sysbench下载、安装、编译和异常处理方法
Log4net .net framework4.6测试
路径要放在UI.EXE的同等路径下。
RK3576平台Buildroot嵌入式Linux镜像构建实战
嵌入式Linux镜像构建是连接硬件能力与软件功能的核心技术环节，其本质是基于目标SoC架构的交叉编译、内核定制与根文件系统集成过程。原理上依赖工具链适配、设备树绑定、分区镜像生成等关键步骤，技术价值在于实现轻量、确定、可复现的系统交付。典型应用场景涵盖ARM64开发板（如RK3576）、工业边缘网关及国产化信创终端。本文以TaishanPi-3为载体，深入解析Buildroot在RK3576平台上的配置裁剪、并行编译优化、genimage分区合成及update.img烧录准备，覆盖从环境选型（Ubuntu
亿佰特E77模块（STM32WLE5CCU6）LoRa通信实战指南：从配置到应用开发
本文详细介绍了亿佰特E77模块（STM32WLE5CCU6）的LoRa通信实战指南，从硬件配置到应用开发。基于ARM Cortex-M4内核的E77模块集成了LoRa射频前端，具备超低功耗和硬件级抗干扰特性，适用于智能农业、工业现场等场景。文章提供了开发环境搭建、LoRa参数配置、实战通信及性能优化等实用技巧，帮助开发者快速掌握LoRa通信技术。
按Ctrl键会引发几次按键消息
何志丹（一），新建一个单文档工程CtrlEg。（二），为CCtrlEgView的WM_KEYDOWN消息和WM_KEYUP消息添加响应函数。具体代码如下：void CCtrlEgView::OnKeyDown(UINT nChar, UINT nRe
数字IC笔记-低功耗技术
传统的降低Power的方法主要有： 1.门控时钟技术（clock gating） 2.多阈值电压技术（MultiShreshold） 3.动态电压频率调节技术（DVFS） 目前有以下几种低功耗技术： 1.多电压技术（Multi-Voltage） 2.MTCOMS Power Gating 技术（多阈值功耗控制技术），比如基带部分中的2G、3G、CDMA、LTE等通过awake—>sleep—>awake的方式间歇式的打开或关断其电源，power gating 可以完全关掉dynamic的pow
C# + .NET 8 + WPF + HALCON25.11
在解决方案资源管理器，右键→【设为启动项目】顶部菜单：【生成】→【生成解决方案】，看输出窗口，无报错按F5启动调试点击按钮【加载测试图】：图片显示，缺陷自动画红框，表格输出坐标。
ArcMap 10.7/10.8启动加载界面后闪退？可能是这个隐藏的Normal.mxt模板文件在搞鬼
本文深入分析了ArcMap 10.7/10.8启动加载界面后闪退的问题，指出Normal.mxt模板文件损坏是常见原因。提供了从定位、删除模板文件到系统级修复的完整解决方案，帮助GIS工程师快速恢复工作流程。
Python爬虫实战：手把手教你园林植物分类全维度字典自动化采集实战！
我长期专注 Python 爬虫工程化实战，主理专栏 👉 《Python爬虫实战》：从采集策略到反爬对抗，从数据清洗到分布式调度，持续输出可复用的方法论与可落地案例。内容主打一个“能跑、能用、能扩展”，让数据价值真正做到——抓得到、洗得净、用得上。
微软技术日报 11-10：.NET 11 今晚发布，.NET 8 与 9 同日停更，Copilot 连接器开写入
今天微软技术侧的重心全压在一个日期上。11 月 10 日既是 .NET Conf 2026 开幕、.NET 11 正式发布的日子，也是 .NET 8 与 .NET 9 终止支持的日子。同一个日期上，一条线开始，两条线结束。除了这条主线，还有三件事在这一两天落地。微软安全博客公布了一轮用智能体扫 Rust 标准库的研究，Copilot 连接器的写入能力转为正式可用，Windows 11 的统一应用更新页又在预览版里冒了头。
【Dumper-7】入门指南 - 带你领略不一样的UE世界
摘要： Dumper-7是一款用于分析UE4/UE5游戏的逆向工具，可自动生成游戏内部结构的C++ SDK。支持Visual Studio、CMake和Xmake三种构建方式，通过DLL注入目标游戏后，自动识别引擎结构并输出C++ SDK文件（默认保存在C:\Dumper-7目录）。该工具适用于游戏Mod开发、安全研究和机制分析，提供完整的类层次映射、属性/函数识别功能。使用时需注意x64平台配置，生成SDK后可集成到自定义DLL项目中，通过示例代码展示如何查找游戏对象、访问世界状态和调用引擎函数。
FFmpeg × C# 实战：从命令行原理到 .NET 工程化落地
本文系统讲解 FFmpeg 的核心概念（容器/编码/流/滤镜/时间基），并给出 C# 对接的五条技术路线对比。重点实现一个可落地的 FFmpegRunner 封装，解决管道死锁、结构化进度解析、取消超时、二进制分发与参数注入五大工程问题；随后覆盖转码、裁剪、合并、抽帧、限体积压缩、水印、硬件加速六大高频场景，并附安全清单与排错速查表。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
微软技术日报 2026-11-11：补丁日 1093 个漏洞、Outlook 零日在野、.NET 11 正式发布
把这几条放在一起看，会发现它们指向同一个方向，留给维护的窗口在变短。补丁日一次一千多条、Azure Linux 一次四百多条 CVE 引用、ACL 把代码完整性做成可选审计再加一层默认镜像、.NET 把两个版本的支持期放在同一天结束，做的都是同一件事，把「以后再说」往后压。要做的事不算复杂。把对公网暴露的 Exchange 与 SharePoint 排进本周的窗口，Exchange 那条要预留重启时间；
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")
基于.NET的Windows窗体编程之WinForms数据持久化(1)
本文介绍了在.NET Windows窗体开发中，基于EFCore与SqlSugar两种主流ORM框架实现数据持久化的实践。通过创建实体模型、配置DbContext或ConnectionConfig，结合增删改查操作，展示了如何高效完成数据库交互。EFCore适合复杂CRUD场景，支持LINQ与迁移；SqlSugar则以简洁API和高性能著称，适用于快速开发。两者均显著降低SQL编写量，提升代码可维护性，助力开发者专注业务逻辑。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
390
扫一扫
