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
142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
大饼上涨太快，又开始震荡，但上不去，所以目前来看差不多要做回踩动作，入场空单性价比较高。而且从MACD日线来看，也是进入空头趋势，RSI（14）也是进入了超买区间，值得入手空单。上周给的策略也是盈利的，可以反手入场空单。
策略：入场37000附近 止盈35000-32000 止损41000
上周并没有做以太，目前从MACD日线来看，以太比大饼要强势，现在还是绿色空心柱，RSI（14）也没有进入超买区间，因此入场空单并不合适。
接下来看看山寨行情，Pepe目前已经跌破EMA55均线，回调机会来了，等待回调。可以入场空单。
MACD四小时空单策略：入仓0.00121 止盈0.00113-0.00108 止损0.00126
Sui目前价格0.62，可以落袋为安了，依然等待这次回调。
MACD日线多单策略：入场0.59 补仓0.55 止盈0.64-0.72 止损0.5
总结
笔者最近有个朋友参与项目，目前来看属于资金盘项目，资金盘项目刚性兑付就是通过加密市场牛市二级市场，笔者劝他不要碰，也希望在座的不要碰这种项目，抓住项目核心，不要被各种模式迷了眼。
HFSS实战：手把手教你设计微带发夹线滤波器（附完整参数计算流程）
本文详细介绍了使用HFSS设计微带发夹线滤波器的完整流程，包括参数计算、HFSS建模和优化策略。通过实战案例，帮助读者掌握微波滤波器设计的核心技巧，特别是奇偶模阻抗计算和HFSS仿真中的关键设置，适用于通信系统设计和射频工程应用。
简报 | “美版支付宝”Square成立加密部门，前谷歌总监成首名员工
行情概览 51BB8财经对接全网大数据行情，收录币种5,576个，截至6月17日11时30分，24h交易量391.74亿美元，上涨币种4,352个，下跌币种1,224。 24h成交量板块分布 24h成交量交易所TOP10 热门币种 BTC 昨日至今BTC冲高回落,目前位于9000美元附近。近24小时内,BTC资金净流出金额超过3.7亿美元,市场流出资金量快速增大昨日BT...
TMC步进电机驱动stealthChop
经过九九八十一难，芯片手册拜读了好多遍，找了好多资料，问了好多人使用TMC2660驱动步进电机终于成功了。最后的问题居然是硬件把管脚画错了，然后我又没有检查，哭。。。
空圈容错・优快云 站点技术架构信任链诊断
本文为基于公开故障现象的黑箱架构推演报告，聚焦“监控健康但用户访问异常”共性问题。提出C/M/V/P四层可达性分析框架，强调V层需满足数据源、方法、环境三异才具仲裁能力。通过R1–R10探针识别架构风险，揭示同源校验、配置共担、降级粗放等隐患。诊断指出：进程存活≠链路通畅，200状态码≠内容正确。配套8问自测清单与∅_safe分级降级方案，推动从“全好/全崩”到“半坏可控”的可观测跃迁。所有推断假说需依赖图谱与压测验证，不构成线上定论。
新手工程师必看：搞定EMI传导干扰，从理解差模和共模开始（附实战案例）
本文深入解析EMI传导干扰中的差模与共模问题，为新手工程师提供从诊断到治理的完整方法论。通过实战案例展示如何通过频谱分析、近场探头扫描等技术精准定位干扰源，并分享PCB布局、滤波器设计等系统级解决方案，帮助工程师高效解决传导干扰问题，提升EMC设计能力。
STM32鱼塘水质监测系统设计与实现
物联网技术在农业领域的应用正逐步深入，其中传感器网络作为关键基础设施，通过实时数据采集与传输实现环境监测。基于STM32微控制器的嵌入式系统因其高性能和低功耗特性，成为物联网终端设备的理想选择。该系统通过DS18B20水温传感器、PH传感器和浊度传感器组成的多参数检测网络，配合4G通信模块实现水质数据的远程监控。在农业物联网场景中，这种解决方案不仅大幅降低了传统人工检测的成本，更能通过实时预警有效预防养殖损失。本文介绍的鱼塘水质监测系统正是这一技术的典型应用，展示了如何通过STM32和常见传感器构建高性价比
什么是加密货币凭证？
本文探讨了加密货币凭证对数字身份管理的变革性影响，强调了其核心优势，如增强的安全性和即时验证。它通过利用区块链的去中心化技术，解决了与凭证伪造、丢失和低效验证过程相关的问题。读者将了解到加密货币凭证如何在教育、专业认证和医疗等领域提供防篡改和全球可访问的解决方案。文章深入探讨了实际应用，展示了像麻省理工学院、项目管理协会和等组织为什么采用区块链凭证来简化流程并提升信任。
【unity实战】完美的2D横版平台跳跃玩家控制器，使用InputSystem+有限状态机实现人物加速减速 多段跳 长短跳 多段攻击 冲锋 冲锋残影 滑墙 蹬墙跳 滑墙 土狼时间 预输入 攀爬 爬楼梯
【unity实战】使用unity的新输入系统InputSystem+有限状态机设计一个玩家状态机控制——实现玩家的待机 移动 闪避 连击 受击 死亡状态切换这次来实现一个2d平台平台跳跃玩家控制器，平台人物控制要做的好，要考虑的问题会有很多，比如移动加速减速 多段跳 冲锋 冲锋残影 滑墙 蹬墙跳 土狼时间 预输入 攀爬 爬楼梯//减速至于为什么叫这个名字(土狼时间)呢？其实这个名词来自于华纳兄弟动画公司,一部古老的动画系列影片《Looney Tunes》
期货合约还有历史K线，就表示现在还能交易吗？
打开以前保存的期货研究资料，某个合约的K线仍能正常显示，过去的价格、成交量也都在。看着熟悉的图，容易顺势觉得：既然还能看，这个合约应该仍可作为当前交易对象。但图里保存的是过去发生过什么，当前合约状态回答的是它现在处于什么生命周期。历史K线仍在，与合约已经下市可以同时成立。对研究者来说，更有用的处理不是在“继续盯它”和“删掉旧图”之间二选一，而是把历史档案与当前关注对象分开。TqSdk提供的合约下市标志，可以帮助把这层区别标明白。
【YOLOv11改进 - 特征融合】SDI：多层次特征融合模块，替换contact操作
【YOLOv11改进 - 特征融合】SDI：多层次特征融合模块，替换contact操作
SAP 权限配置（复合角色）
复合角色创建步骤：业务场景：通常单一角色权限颗粒度划分比较细，当需要分配单一角色权限A、B（多个单一角色）给某账号用户Y时，可以先建立一个复合角色C，将A、B绑定到复合角色C中，再将角色C分配给账号Y即完成权限配置。 业务模拟： 1、PFCG创建复合角色： 2、在角色页面添加子角色 在角色分页内添加子角色，点击“菜单”分页中的“读菜单”即可导入子角色中的菜单： 3、将用户分配给...
【无标题】
随着区块链技术在数字资产管理、DeFi金融、NFT交易和Web3应用中的不断发展，智能合约已经成为链上业务运行的重要基础设施。智能合约通过预设程序自动执行资产转账、交易结算和业务规则，能够提高业务处理效率，但也面临代码漏洞、私钥泄露、异常交易和恶意攻击等安全风险。对于企业级区块链项目而言，智能合约完成开发、测试和部署，并不意味着安全工作已经结束。
从 QQ 聊天到 AI Agent：AstrBot + NapCat 接入 DeepSeek
<think>我们根据要求，根据提供的内容生成≤150字的文章摘要。内容是关于在Windows上使用Docker部署AstrBot+NaPCat，配置DeepSeek，实现QQ AI机器人。摘要需简洁概括主要步骤和结论。注意字数。</think>在Windows 11上通过Docker一键部署AstrBot与NapCat，实现QQ机器人。NapCat扫码登录QQ，AstrBot接入并配置DeepSeek API，完成AI对话。后续可扩展人格、插件及MCP工具，并通过cpolar提供公网管理入口，打造可扩展的
微软技术日报 2026-11-03：冒牌 Claude Code 扩展留后门、Fabric 数据工程 agent 进预览、Access IE 控件定退场
微软安全博客在 10 月 30 日复盘了一起扩展市场供应链事件：一个冒用 Anthropic 名字的 Cursor 扩展，在被下架之前挂了约 11 个小时。它做的事情不复杂，装完之后在你机器上开一条反向 SSH 隧道，留三处开机自启，再把主机信息发回一台固定 IP 的服务器。同一天前后，微软在 Fabric 社区大会巴塞罗那站把数据工程 agent（Project Osmos）放进了公共预览，在乌镇拿了一个奖，Access 团队则给一个用了二十年的浏览器控件定了退场日期。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
热重分析仪TG 309 Libra Classic
同时供应T3Ster SI热阻测试仪、POWERTESTER功率循环测试设备、LMS振动噪声测试系统、TMA热机械分析仪、DMA动态热机械分析仪、DSC差示扫描量热仪、STA同步热分析仪、TGA热重分析仪、旋转流变仪、LFA闪射法导热仪、热流法导热系数测量仪，面向汽车电子、消费电子、电力电子、新能源、材料领域，提供软件方案、测试仪器、系统集成、设备调试与工程咨询服务。仪器提供多种不同质地、不同尺寸的坩埚以满足试验的需要，包括氧化铝坩埚、铂铑坩埚、铝坩埚、石墨和石英坩埚等。温度范围:RT（10）…
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。
期货成交额变大，为什么成交手数反而少了？
比较同一期货合约两个交易日的成交情况，可能看到：成交额比前一天高，成交手数却少了。若把成交额大直接理解成“交易得更多”，这两项看起来就会互相打架。其实，金额和手数不是同一把尺子。手数描述成交数量，金额还包含成交价格及相应计量口径的影响。两者反向变化并不构成逻辑矛盾。用TqSdk整理这类观察，关键不是挑一个看起来更大的数，而是把原始量、额及各自口径留下来，回答不同的问题。
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")
山寨币与比特币之间的关系
山寨币是“alternative”和“coin”的合成词。简单来说，山寨币指的是除比特币以外的任何加密货币。尽管比特币在市值和知名度方面仍然是最著名和主导的加密货币，但山寨币已经开辟了自己的市场领域，每种山寨币都有其独特的特点、用途和技术创新。自比特币在2009年推出以来，已经创造了成千上万种山寨币，新的山寨币也在不断涌现。
理解Layer 1区块链协议
了解Layer 1区块链协议的基本原理，它们通过管理交易处理、验证和共识机制，作为去中心化网络的支柱。本文揭示了以太坊、Solana、Cardano和Polkadot等领先L1网络的复杂性，突出了它们在可扩展性、安全性和去中心化方面的独特方法。探索工作量证明和权益证明等共识机制如何确保网络的完整性。理解Layer 1与Layer 2解决方案在区块链实用性和可扩展性方面的对比。适合寻求全面了解区块链基础设施的区块链爱好者和科技投资者。
【量化实战】VeighNa 全图谱：从零到一，由浅入深打通多品种量化
本文系统梳理了VeighNa量化平台的四阶进阶路径：从接口与数据分离（第一阶段），到策略逻辑对齐（第二阶段），再到数据平替与自动化执行（第三阶段），最终拓展至多市场实战（第四阶段）。针对新手常见痛点，提供免费数据源（如AKShare、天勤）、交易规则避坑指南及参数配置建议，强调A股仅支持做多、乘数需匹配品种特性。最后给出可落地的行动路线图，助力用户由浅入深打通全市场量化体系。
期货复盘选了一个月，究竟覆盖多少个交易日？
复盘表写着“一个月”，不表示里面一定装着整个月的期货样本。月份有多少个自然日、日历里有多少个交易日、你的资料实际覆盖了多少天，是三个不同的数。如果一个月的结果来自完整日期范围，另一个月却少了几天，直接比较总信号数或总盈亏，就可能把样本覆盖差异也算进了策略表现。看月度结果之前，值得把这三个数并列看清。
美股行情API遇上冬令时：盘前盘后时间怎么对齐？
摘要：负责美股行情页和开盘提醒的产品经理，冬令时切换后需要一起核对交易时段、北京时间和交易日期。本文结合TickDB交易时段、交易日历的真实返回，解释盘前盘后怎样换算，为什么凌晨收盘仍属于美国前一个交易日，并提供时间对照表、可运行换算示例与页面检查清单，处理半日交易等容易遗漏的例外。
1000个量化策略第29例：经典红利低波策略
选股风格偏价值、偏防御（高股息 + 低换手）持仓数量高度集中（10只）换手频率月度风控方式昨日涨停打开即卖 + 停牌保护因子类型基本面+量价，跨类型双因子。
从 NEAR Intents 事件看 NEAR 智能合约安全
2026年9月29日至10月1日，攻击者利用NEAR Intents存款退款处理中的校验缺陷，通过填充代币和恶意receiver合约触发超额退款请求，使回调失败后内部余额未被撤销，造成缺乏资产支持的可花费余额。攻击者据此从BNB Chain上的HOT Bridge金库七笔提现共转出3,865,021 USDT。项目方于10月2日部署修复、10月7日移除存款通知功能，并于同日宣布资金全额归还，后续事后报告确认受影响用户已获补偿。
【量化实战】VeighNa 闭环：SimNow 期货接入与实时交易
本文详解VeighNa（vnpy）接入SimNow虚拟期货盘的实战流程：通过定制run.py启动核心模块，确保策略能读取历史K线并连接真实行情。重点验证策略在实时仿真环境下的发单、持仓、平仓链路是否通畅，强调SimNow“真行情、假资金、简化撮合”的特性，提醒用户仅用于逻辑测试，非成交质量验证。附踩坑指南，涵盖数据缺失、登录失败、限价单不成交等常见问题及解决方案，助力高效完成从回测到实盘仿真的过渡。
期货期权复盘，标的那张K线该怎么找？
复盘一张以前观察过的期货期权，自选里可能同时有同品种的近月、远月和主连。哪张走势最热闹，并不决定它是不是这张期权的标的。要解释那段期权记录，先找到它对应的具体期货合约，再找那张合约的图。
期货期权快到期，行权提醒该记哪个日期？
手上有一张期货期权，要把最后行权日记进提醒清单。自选里可能同时有这张期权和它的标的期货，两边都看得到到期信息。最容易记错的不是日期格式，而是把别的合约的日期抄进这一行，或者把行情里的日期当成柜台最后受理的时间。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
440
扫一扫
