江阴一家IPO业绩出现增收不增利,产能利用率仅七成仍扩产

AI科技热点日报 | 2026年11月09日 2026年11月9日,英伟达董事会因黄仁勋婚外情风波成立独立调查委员会,牵动个人伦理、公司治理与芯片出口安全三重敏感议题。苹果推进“自主代理”Siri,代码现“对话应用”入口,暗示ChatGPT等将入家庭中枢。中国发布AI技术出口管制草案,首次将大模型、智能体、算力纳入管制。Anthropic斥资34亿美元自购1.7GW发电机组,凸显电力瓶颈已从GPU延伸至焊工与电工。国内方面,蚂蚁灵光用户破2000万,腾讯元器停服倒计时,混元推理集群扩容十倍,上海交大AI实验室登《自然》封面,彰显国产AI从模型到产品层的 阅读详情




作者:Eric

来源:IPO魔女



6月6日,江阴华新精密科技股份有限公司(简称“华新精科”)将接受上交所主板IPO上会审核。公司保荐机构为华泰证券,拟募集资金为7.12亿元,其中2亿元用于补流,占总募投金额28.09%。


报告期内华新精科营业收入增长2亿多元,利润表现上出现负增长。与此同时,2024年公司经营性活动产生现金流净额由正转负,与前一年数值上相差5亿多,另外,公司研发投入下滑,研发人员质量水平引疑,报告期内专利数量却实现大幅增长。


其次, 华新精科实控人郭正平家族IPO前突击调整股权,配偶吴翠娣退出,由郭正平及两女儿(郭云蓉、郭婉蓉)合计控股68.97%。两女儿20岁不到即持股掌权引代持质疑。2021年至递表前,发行人关联公司集中注销22家。2022-2024年重复操作多笔大额担保,担保方高度重叠,资金用途不明。


与此同时,华新精科拟募资7.12亿,其中4.45亿用于新能源车铁芯扩产(产能翻倍至3万吨/年)。但2024年公司主要产品产能利用率均未超72%,扩产必要性存疑。另计划补流2亿,而账面货币资金达2.42亿且存货连年攀升,补流合理性及存货跌价风险遭交易所问询。


01营收增却不见利润增,研发能力似乎存疑


2022年至2024年(报告期),华新精科营业收入分别为11.92亿元、11.89亿元、14.21亿元,净利润分别为1.14亿元、1.56亿元、1.50亿元。可以看出,2024年华新精科营业收入增长迅猛,但公司净利润却反倒下滑,出现增收不增利的情况。在第二轮问询函中,交易所要求华新精科结合行业竞争格局、与主要客户合作的具体情况等,量化分析发行人业绩增长持续性,是否存在业绩下滑的风险。


与此同时,报告期内华新精科综合毛利率分别为16.89%、21.86%及20.43%,有所波动。然而,报告期内同行业可比公司综合毛利率平均值分别为13.30%、13.18%、12.81%,远低于华新精科各期综合毛利率。


对此,交易所要求华新精科说明,公司主营业务毛利率高于可比公司可比产品毛利率均值的主要因素;量化分析上述因素对发行人毛利率水平的影响,并说明发行人毛利率较高的主导因素。另外,发行人在招股说明书也称,假设其他因素不变,如原材料价格上涨,原材料成本占产品价格的比例上升,将导致公司毛利率水平下降。


值得注意的是,报告期内华新精科经营活动产生现金流净额分别为-6518.31万元、45814.23万元,-6338.43万元。报告期内,华新精科经营性活动产生现金流量净额由负转正,再由正转负,且2022年与2024年经营活动产生现金流净额基本一致,但与2023年数值上却相差了5亿多。公司回复称,主要系公司业务规模持续扩张,经营性应收项目期末余额持续增加,预先向供应商支付的原材料货款与收到客户货款存在时间差所致。


报告期内华新精科研发费用分别为4050.67万元、4438.56万元、4484.55万元,占同期营业收入比例分别为3.40%、3.73%、3.16%。截至2024年12月31日,华新精科研发人员人数为84人,占员工总数比例为8.62%。


同时,2022年及2023年华新精科硕士学历及以上人员都仅为1人,2024年末公司研发人员中硕士学历及以上人员显示为0人。报告期内,研发人员数量分别为79人、85人、84人,其中本科学历以上人员分别为15人、17人、16人,占比例分别为18.99%、20.00%、19.04%。


值得注意的是,报告期内华新精科专利数量突击增加。报告期当期取得的专利数量分别为13项、15项、11项。截至2025年2月28日,华新精科取得与主营业务相关的专利及科技成果76项,其中发明专利17项、实用新型专利59项。由此看来,报告期三年间公司专利数量新增39项,专利数量新增一倍多。


总体看来,华新精科研发费用率出现下滑,且公司研发人员中硕士学历及以上人员为0人,但报告期内专利数量较之前增加一倍多,似乎研发能力倒不弱。


02多家关联公司集中注销,大额关联担保重复操作


2022年10月,郭婉蓉、郭云蓉、郭正平支配公司表决权比例分别为32.75%、24.15%、12.07%,截至目前,华新精科的共同实际控制人为郭正平、郭云蓉、郭婉蓉,郭云蓉和郭婉蓉为郭正平的女儿。三人合计间接控制公司68.97%的股权。


值得提醒的是,2022年10月13日,郭正平配偶吴翠娣已将其持有苏盛投资的全部10.00%股份转让给郭正平,随后全面退出公司股权与管理层,不再被认定为共同实控人。但在此之前,华新精科是由郭正平一家四口共同控制的企业。紧接着2023年3月,华新精科便正式递表。此时间节点似乎有点巧合了,这是否是出于家庭财产调整的考虑,还是为满足审核要求、规避潜在风险而进行的刻意安排呢?


其次,郭正平与吴翠娣的两个女儿年纪轻轻便入股、掌权。大女儿郭云蓉入股苏盛投资,年仅19岁,二女儿郭婉容入股苏盛投资,年仅17岁。值得注意的是,2008年时,17岁的郭婉蓉可能还在读高中时就已支配公司28%的表决权;而在2016年25岁时就一跃成为公司表决权比例最高的实际控制人,当时距其大学毕业可能仅2年。年纪轻轻便掌握如此高“话语权”,其中是否只是满足家族代持的目的?


对此,交易所也要求华新精科结合实际控制人的工作年限、工作履历、在公司经营管理中所起的作用等,进一步说明行使控制权的具体方式。


发行人在问询函中回复显示,郭婉蓉工作年限11年,负责公司法务、IT、行政等职能部门日常事务,同时承担董事会秘书职责,负责信息披露、筹备和召开三会及公司治理和内控管理。郭云蓉工作年限17年,负责出席董事会,履行董事职责,提供行政支持。


另外,在2021年后和华新精科递表前,有22家与公司存在关联关系的法人集中变更,变更原因大多为公司注销以及高管卸任。2020年至2023年期间,华新精科注销或吊销企业数量为11家,吊销或注销时间集中在2021年期间。同时,交易所也要求,华新精科说明已注销或吊销的关联方在存续期间主要经营业务情况,与发行人在业务上是否具有关联,是否存在客户、供应商重叠。


另外,IPO魔女发现,最新上会稿显示,华新精科在2022年12月16日向中国银行股份有限公司江阴分行进行5笔金额为2.7亿元的担保,担保方分别为苏盛投资、德诚钢铁、郭正平和吴翠娣、郭云蓉、郭婉蓉。同样的操作,在2023年12月19日,华新精科又再次向中国银行股份有限公司江阴分行进行相同5笔相同金额担保,担保方也同样一致,此次担保截至时间为2024年12月6日,但在最新披露上会稿里这5次担保显示并未履行完毕,截至目前又是否履行完毕了呢?


紧接着,在2024年12月9日,华新精科又向中国银行股份有限公司江阴分行进行6笔金额为2.5亿元的担保,担保方分别为郭云蓉、郭婉蓉、苏盛投资、德诚钢铁、郭正平和吴翠娣、华超新材。令人疑惑的是,华新精科在报告期内如此高的借款金额是用于何处呢?


03资金充裕却欲补流2亿,产能利用率仅7成仍扩产


在募投项目计划上,华新精科拟募集资金为7.1198亿元,其中,4.45亿元用于新能源车用驱动电机铁芯扩建项目,6740.33万元用于精密冲压及模具研发中心项目,另外,2亿元用于补充流动资金。


新能源车用驱动电机铁芯扩建项目拟在云顾路19号原有9,855.06平方米的厂房基础上,新建29,780.13平方米厂房以及6,572.70平方米地下车库。建成后可以新增年产新能源车高端驱动电机定转子铁芯100万套(单套产品标准重量约30千克,换算后产能约3万吨/年)的生产能力。然而,报告期内,公司实际产能分别为2.64吨、2.53吨、3.68吨,几乎在原有基础上新增一倍产能。


招股书披露,报告期内华新精科主要产品新能源汽车驱动电机铁芯产能利用率分别为84.98%、48.71%、60.97%,微特电机铁芯产能利用率分别为43.40%、41.43%、66.59%,电气设备铁芯产能利用率分别为68.68%、65.39%、71.22%,点火线圈铁芯及其他铁芯产能利用率分别为96.15%、97.53%、70.20%。


显而易见的是,2024年华新精科主要产品的产能利用率仅在60.97%至71.22%之间,产能利用率仅七成左右。华新精科扩产近一倍产能能否消化呢?募投项目中扩产必要性在哪里呢?与此同时,报告期内,华新精科货币资金分别为1.35亿元、4.43亿元、2.42亿元,公司现金流也似乎充裕,但募投中却计划补流2亿元,占总募投金额的28.09%,也较为接近交易所规定的30%红线,华新精科补流合理性又在哪呢?


报告期内,华新精科存货余额也在逐年走高。招股书显示,报告期各期末,公司存货余额分别为1.51亿元、1.94亿元及2.5亿元,存货账面价值占流动资产的比例分别为15.41%、18.21%及21.3%,主要为原材料和库存商品。同时,报告期内公司存货跌价准备计提比例分别为1.56%、4.99%、3.80%。


在问询函中,交易所要求华新精科说明主要原材料是否适用于各类产品,报告期末主要原材料是否存在积压风险,存货跌价准备是否计提充分,相关风险是否已充分披露。


与此同时,在上会稿中,华新精科也在发行人相关风险中承认,随着公司业务规模的不断扩大,存货余额不断增长,如果未来出现产品价格急剧下跌、客户撤销订单等不利因素,导致原材料和库存商品积压或贬值,公司将面临存货跌价的风险,对公司经营产生不利影响。



END

AI科技热点日报 | 2026年11月10日 今日窗口内,AI 行业的主线明显从"模型能力竞赛"移向"算力主权"与"安全责任归属"。 阅读详情

相关推荐

AI科技热点日报 | 2026年11月08日

2026年11月8日,AI资本迎来“重定价”拐点:OpenAI融资缩水至200亿美元,估值降至1.25万亿美元;Anthropic IPO估值遭投资者质疑,建议下调至1万亿以防股灾。微软悄然终止与甲骨文的旧算力租约,转向高算力芯片。高盛警示,五大云厂年内发债超2960亿美元,新债溢价逼近垃圾债水平。能源与硬件压力凸显:Anthropic豪掷34亿美元购发电机组,英伟达押注日月光扩产CoWoS封装。政策层面,中国拟推机器人“一机一码”标识制度,网信办清理4.7万条AI仿冒信息。模型端则有谷歌Gemini Om

刘一说的IT专栏 197

义翘神州助力镁伽科技Poreva Open AI蛋白质设计第二轮挑战赛

义翘神州助力镁伽科技Poreva Open AI蛋白质设计挑战赛第二轮,提供高通量无细胞蛋白表达支持。赛事聚焦真实药物靶点TL1A和PRLR,面向全球开放,以实验验证为核心,设置万元奖金及千万元投资意向。依托4RISE™解决方案,实现AI设计分子“快、深、全、实”一站式湿实验验证,3小时完成蛋白表达,3天交付数据,全面支持抗体、酶、双抗等多类型分子的高效迭代与功能评估。

北京义翘神州官方账号 156

I科技热点日报 | 2026年11月13日

今日科技圈被一个人和一家公司占据:美国时间 11 月 12 日上午,英伟达董事会批准黄仁勋辞去总裁、CEO 及董事职务,即刻生效,CFO 科莱特·克雷斯出任临时 CEO,丑闻发酵不到一个月,英伟达市值蒸发超过 1 万亿美元,同日美国司法部又把反垄断调查扩到了 129.3 亿美元收购 Hugging Face 这笔交易上。

刘一说的IT专栏 251

忘平科技|边缘计算如何以自适应解算内河航道主动防撞预警系统动态通航净高?

内河航道主动防撞预警系统将桥区雷达水位计采集的数据实时注入边缘大脑,根据汛期与枯水期的水面消长,全天候、高频动态计算桥梁下部通航孔的实际净空限界。无论是面对夏季几十米一遇的特大洪峰过境,还是冬季低水位期的安全通航,海姆达尔系统都能始终如一地将“不可触碰的激光防撞红线”精准悬停在安全高度,在多座内河特大桥梁的实际服役中,彻底终结了超高监测因水位暴涨暴落而引发的漏报与虚警困局。

2601_96546604的博客 231

计组实验之四路表决器

请在之前四路表决器电路实现的基础上,继续用连接线 联接CD4511,将投票为1的票数总和显示到一个 LED上,思考如何做?由于我们需要通过显示字形来直接看出有几个1,在这里,我们最多有四个1,即显示字形最多到4就行,所以我们需要将有几个1用2进制数来表示,下面给出了相关电路图。显示输入插口,按真值表(自拟)要求,逐次改变输入变量, 测量相应的输出值,验证逻辑功能, 与表3-1 进行比较, 验证所设计的逻辑电路是否符合要求。用实验结果与真值表3-1和3-2进行比对,可以得出,我们实验结果是正确的。

szyugly的博客 1万+

深入解析西门子S7通信协议:从抓包到实战应用

本文深入解析西门子S7通信协议,从环境搭建、抓包分析到实战应用,提供了一套完整的协议分析方法。通过Wireshark工具进行抓包分析,详细拆解了S7协议各层结构,并结合真实案例,展示了如何利用抓包技术解决通信故障、优化性能及进行安全审计,是掌握工业通信底层原理的实用指南。

weixin_29224529的博客 284

炜晔科技智慧断路器技术方案解析:自研架构、离线防护与波形识别

智慧断路器的技术门槛不在 "能否联网",而在采样精度、保护闭环与抗干扰设计。本文以炜晔科技 WYA1 系列为分析对象,从系统架构、计量采样链、保护控制逻辑、离线自持设计与通信组网五个层面拆解其技术方案,并给出工程选型与调试的核对要点,供配电物联网方向的开发者与工程技术人员参考。

WEIYE_Technology的博客 288

从Excel到‘一张图’办案:手把手教你用AbutionGraph构建公安经侦知识图谱(含数据建模避坑指南)

本文详细介绍了如何利用AbutionGraph时序图数仓技术,将公安经侦领域的Excel、银行流水等碎片化数据转化为可交互的知识图谱。通过数据清洗、实体关系模型设计、时序数据处理等步骤,实现高效智能分析,提升办案效率。特别包含数据建模避坑指南和实战案例,助力公安金融案件侦破。

weixin_33702545的博客 343

关于优雅草科技十大开源工业软件实验验证与中试报备的流程说明

优雅草科技将于2026年11月发布10款基于鸿蒙+星闪+海思的国产工业开源软件,计划12月至1月完成样机打样与实验室验证。项目涉及高精仪器测试,需依托成都五家实验室分阶段开展结构打样、产线模拟及专项测试(如视觉同步、EMC干扰、配电柜环境等)。完成后,将向“工业软件中试验证平台(成都)”提交材料,进行中试报备与产品上架,推动软件从“能用”迈向“好用”。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 190

SAP BOM批量反查代码分享

SAP BOM反查批量查询代码分享

我小时候很黑的博客 4974

寻路最终版哦

相信大家用unity3d寻路的时候,一定会碰到多人

yxriyin的专栏 6956

北京盛元广通科技有限公司推出高校实验室危化品溯源管理软件

“高校实验室危化品溯源管理软件”不仅仅是一款简单的管理工具,它代表了现代信息化管理在高校化学实验领域的一次重要突破。通过这款软件,高校实验室能够在保证安全的同时,提高管理效率,为科研工作提供强有力的支持。因此,对于那些还在为化学品管理问题头疼的高校来说,不妨考虑引入这款软件,为自己的实验室带来全新的面貌。

SYGT_LIMS的博客 111

203.华为组网实例:VLAN间互通DHCP中继实验

SW核心交换机上配置DHCP中继。

迷逝 8432

云南靠谱软件开发公司选型指南:以昆明新腾科技为例

在云南选择软件开发公司,应摒弃低价优先思维,转而从技术能力、行业经验、交付流程、售后服务与合同条款五维度系统评估。以昆明新腾科技为例,通过核验团队结构、案例深度、交付节点、售后机制及合同细节,结合五维打分表(权重化评分),可有效识别靠谱服务商。关键在于将“感觉靠谱”转化为可验证证据,避免踩坑,确保项目长期可控、可迭代、可交接。

ynxrhscjt的博客 377

一文搞懂数据标注

数据标注即通过分类、画框、标注、注释等,对图片、语音、文本等数据进行处理,标记对象的特征,以作为机器学习基础素材的过程。简言之,就是需要给数据做好标注,这样机器就能知道学习哪些内容。

女王の专属领地 9945

ORB-SLAM2算法部署验证、原理代码和各种改进方法汇总

本文主要汇总个人学习使用ORB-SLAM2算法中参考的相关博客和代码汇总,以及在ORB-SLAM2算法基础上各个改进方法的汇总。

重点记录机器人和自动驾驶相关领域的技术,尤其是计算机视觉,视觉SLAM等,不仅有前言文献或必备算法的学习,也会有实际应用的点滴经验 745

情感交互机器人融资,四川具身科技的「爱湫」登场

当前人形机器人的主流战场是工业、仓储、巡检这些「干活」的场景,而「爱湫」把重心放在了「陪伴」上——通过面部投影和情绪识别,让机器人和人之间多一层情感层面的交互。情感交互机器人的市场,其实一直存在,只是过去被「能干活」的主流叙事盖住了。它主推的产品「爱湫」,是一款主打情感交互的人形机器人,搭载 3D 投影面部技术,情感交互机器人的逻辑,是面向养老陪伴、文旅服务、展厅导览这类「不要求重体力、但要求互动感」的场景。真正的考验不在发布会,而在它能不能在真实的养老和陪伴场景里,被用户用起来、留下来。

jushenAGI的博客 307

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

收入增长、毛利率下行:从宇树科技三季报看现阶段行业的共性矛盾

宇树的三季报,更像一张产业分水岭的快照。它证明,硬件层面的交付能力已经跑通,但行业真正的考验才刚刚开始。赛道增长的确定性来自供应链成熟、整机制造能力提升;而最大的不确定性,恰恰来自于具身智能能不能打通物理世界,让机器人变成可以稳定创造经济价值的生产力工具。未来一段时间,行业也许不会迎来全面爆发,但一定会持续分化。能够守住硬件底盘、持续迭代具身能力、锁定场景闭环的企业,才有机会穿越周期,缺少长期投入能力的玩家,则会逐步被市场出清。

聚焦具身智能产业前沿,分享深度行业洞察、技术趋势与产业落地思考。 261

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

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,

光轮智能牵手宇树科技,打通数据到部署闭环

宇树的本体已经在全球卖出了规模,但规模越大,越需要成体系的数据生产、能力验证和部署运维来支撑。具身智能走到规模化这一步,瓶颈正在从「模型」转向「数据」和「评测」。过去两年,本体公司、数据公司、模型公司各自为战,结果是数据和模型、模型和本体之间总是有缝隙。这次牵手,想打通的是「数据生产—训练验证—真实部署」的闭环。对宇树来说,这是给「万台级出货」铺路——本体越往规模走,越需要成体系的数据生产和评测能力来支撑。当本体、数据、评测开始抱团,具身智能的竞争就从单点突破,进入了体系化较量的阶段。这个合作的信号在于,

jushenAGI的博客 205

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

星宸科技(SigmaStar)CarDV行车记录仪格式化恢复方法

SigmaStar星宸科技旗下越影系列行车记录仪采用FAT32+TS视频流方案,因误格式化导致10条关键视频文件丢失。针对TS格式无时间戳、碎片多、音画同步要求高等难题,通过调整DBR参数、利用OCR识别画面时间戳定位文件起始位置,并借助TS RAW级重组工具,成功恢复全部10条完整音画同步视频,实现高精度数据重建。

CHS实验室 173

TAGX探观2027春夏新品发布 “行于未来“诠释中国科技户外

答案落在材料技术上。从135克的超轻硬壳,到蓝鲸丝防晒衣、可机洗的铂金羊毛,新品在防护性能、体感舒适与日常质感之间找到了新的平衡——当材料不再受制于人,中国户外品牌才有资格与世界对话。柔和的弦乐、精致的餐食、相碰的酒杯,以及激励前行的荣誉奖项,为发布会添上了温情一笔。这场相聚,不仅是对过往并肩作战的感恩,也为“中国科技户外”的协同发展注入了更坚实的信任基石。11月12日,中国科技户外品牌TAGX探观在浙江绍兴举办2027春夏新品发布会,以"行于未来"为主题,呈现了一场以"探观空间站"为叙事的沉浸式大秀。

2401_84092107的博客 228

山东微程科技|轻量化实体门店数字化系统设计思路

考虑到线下商户网络不稳定场景,增加本地缓存 + 异步队列机制,弱网环境下支持订单暂存,网络恢复后自动同步,减少丢单问题。系统整体采用前后端分离架构,底层基于微服务拆分,将门店基础管理、会员体系、营销引擎、订单支付、多门店权限模块解耦。针对商家端,采用低代码可视化配置方案,商户无需编码,拖拽即可搭建小程序店铺、配置营销活动,大幅降低使用门槛。营销引擎作为核心模块,内置优惠券、储值、分销、拼团等常用算子,支持运营人员通过后台配置活动规则,无需后端迭代即可上线新玩法。

2508_94596546的博客 214

线艺 Coilcraft A16L-JPYM-12D-1P 与同于科技 Tonevee 选型对比及国产替代思路

综合来看,线艺 Coilcraft A16L-JPYM-12D-1P 凭借其成熟的工艺在行业内树立了标杆,而同于科技(Tonevee)作为国产磁性元件的优秀代表,其同参数产品在规格对标、供应链响应速度及成本控制上展现出了明显的优势。对于面临降本压力或寻求供应链安全的电子产品开发团队而言,Tonevee 的相关产品具备充分的替代评估价值。建议工程师在前期设计或改版阶段,积极引入国产样品进行系统级验证,以数据驱动最终的选型决策。

2301_78734466的博客 178

【应用方案】告别繁重清洁!科技接管家务,艾为 AI 智能洗地机应用方案

高端 AI 智能洗地机,融合端侧 AI 感知、多维人机交互与光影美学,集触控震感反馈、离线语音交互、氛围光效于一体。家用无人智能洗地机,以 AI 感知赋能清洁,集自动清扫、基站全链路自维护于一身。无人洗地机已具有智能化,打破传统清洁工具的边界,将语音、触控反馈、智能光效与感知等技术融为一体,感知污渍、读懂人意,为现代办公居住场所带来高效、有温度的清洁新方式。集滚刷、污水回收等功能于一体,搭配智能交互与传感技术,一步完成地面清洁,以科技化的清洁方式,轻松替代传统拖把,高效快速洁净。图4 家用无人洗地机。

AW20080618的博客 187

杰和科技CB4-411:AI边缘计算的“性能小钢炮”

CB4-411搭载英特尔酷睿Ultra处理器(可选i5-125U、i5-125H、i7-155H),不仅拥有最高支持16核的CPU性能,更集成全新AI引擎:具备11 TOPS算力的专用NPU,可独立高效处理人脸识别、行为分析、语音识别等任务,不占用CPU资源;而将AI模型从云端下沉到边缘端,离不开强大、稳定且高效的硬件支撑。今天为您介绍一款专为AI边缘计算打造的“性能小钢炮”,杰和科技CB4-411 Mini-ITX主板,它集高性能、强连接、高扩展于一身,是各行业智能化转型的理想选择。

2409_87297247的博客 168

四川南小月科技有限公司简介

我们期待与有表达欲、有个人特色、愿意持续学习的创作者同行,也欢迎具备内容策划、拍摄剪辑、视觉审美和账号运营能力的伙伴加入。立足已有实践,南小月科技正逐步探索短视频创作、新媒体账号运营、创作者成长支持及直播电商等发展方向,并关注人工智能工具在选题策划、内容制作与运营协作中的应用,希望让创意更高效地落地,让内容形成更长久的价值。自成立以来,公司以直播相关业务实践为起点,持续积累对内容表达、用户互动与线上运营的认识,探索内容创作与商业发展的更多可能。南小月科技,期待与你一起,把想法做成作品,把热爱发展成事业!

一八四都 175
上一篇: 深圳一家五金制造IPO终止,业绩增速放缓,行业代表性定位存疑
下一篇: 湖北一植物原料公司IPO终止,大客户正邦订单流失致业绩大幅下滑
IPO魔女
博客等级 码龄2年 590粉丝 115原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值