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
200+累计阅读
267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
为了能够在地震突发时，将地震带来的灾害最大限度地降低，国内很多科技企业已纷纷投入地震应急指挥系统的研究，希望通过科技手段来做第一时间反应，用“人”的智慧来抵御“天灾”。地震应急指挥调度平台系统，是将多个设备采集到的音视频资源，通过多种网络统一汇接到图像综合管理平台，供现场救援指挥部、前线指挥部和后方指挥中心调看，满足各级指挥中心与前线人员语音双向互通的需求。
传统单链路传输无法满足可视化调度系统的可靠性
1、在车载移动、人流密集场所等4G弱网环境下，无法保障视频传输质量。
2、单链路4G、5G弱网环境下视频传输，易出现连续卡顿、花屏、黑屏，严重影响可视化指挥的效率。
乾元通多卡聚合技术可以保障现场网络的可靠性与安全性
1、支持数据分片、多路径传输，聚合服务器支持私有化部署，协议透传，设备之间支持点对点安全组网，可各节点现场不同局域网间的互相访问，满足局域网音视频通话的安全要求。
2、支持背负式，便携性强，可作为背负式设备，供单兵、小组使用，开机即可提供现场网络服务，内置电池可提供8小时户外续航。
以TMS320F28069为例，如何使用CCS建立DSP工程文件
以TMS320F28069为例，本文主要介绍了使用CCS建立DSP工程的流程
聚合路由器超性价比户外移动临时组网方案
以前，在聚合类产品没那么普及的时候，现场无法提供有线的固定宽带，绝对是一件让人头大的事。 在诸多场合无法接入有线宽带的问题困扰过不少小伙伴，例如户外应急等。 原先的解决方案只有运营商的专线服务可选，绝对会增加不少成本，也挤占了供应商辛苦付出的利润空间。而4G/5G聚合类产品的出现，为网络问题的解决，提供了又一选择。所谓4G/5G聚合，就是通过带算力的设备把接入的多张4G/5G卡的网络信道叠加成一条高带宽的网络信道，来保障相对稳定的数据收发。只是早期的4G/5G聚合技术和算法也不完善，在很多时候也只是作为
【VS Code+Verilog+Vivado使用】（1）常用插件
VS Code + Verilog + Vivado联合使用说明
多卡聚合路由器在水利防汛应急指挥的应用
水利系统的洪水灾害、水污染事件以及有计划分蓄洪等应急事件，具有涉及面广、影响大的特点。当事件发生时，需要尽快获取现场信息，迅速实施行动，以减少人员伤亡和经济损失。但由于防洪的战线长、面积广，无法快速布设覆盖现场的固定式监测监控系统和数据传输系统，导致指挥者不能对现场进行全面的了解，影响预测评估和优化决策。 当发生严重洪涝灾害时，应急指挥车将携带无人机迅速开赴灾区，到达灾区边缘安全地带，在短时间内将各部分系统展开，通过远程数据传输与通信系统将数据传输到后方指挥调度中心，指挥调度中心将数据处理，通过移动会
sophgo sdk v23.03.01
C/C++程序建议在x86主机上使用交叉编译工具链编译生成可执行文件后，再拷贝到SoC目标平台运行。# 创建docker用户组，若已有docker组会报错，没关系可忽略。对于SoC模式，模型转换也需要在docker开发容器中完成；docker开发容器的配置参照前述章节相关内容。6、创建docker容器并进入Docker。# docker命令免root权限执行。# 将当前用户加入docker组。# 重启docker服务。# 安装 docker。3、安装docker。7、SoC 环境配置。
对10G/40Gphy中auto-negotiation功能调试
在近期有一个项目，是一台设备中发现mac与phy之间的信号质量有一些差，报文会出现很多的crc错误码。希望可以将mac与phy之间的工作模式改为10GBASE-KR/40GBASE-KR4,从而提高信号质量，减少crc错误码。要实现10GBASE-KR/40GBASE-KR4,需要打开auto-negotiation，所以，文章主要内容是如何开启自协商，以及相关参数的解释。 需要的文档： 1、802.3协议手册 2、所调试phy的芯片手册(我自己使用的是bcm的万兆phy) 万兆phy情况摘要 PHY寄存
一种应急救援指挥高质量无线通讯组网解决方案
无线方式目前比较常用的是卫星通讯，但卫星的资源有限，费用很高；而我们通常使用传统的窄带无线通讯速率往往比较低，不能满足图象传输的要求。而乾元通多链路聚合路由产品正好能满足目前随机图像传输的要求，将应急现场的图像和视频实时的传回指挥车，实现远程监控、远程指挥调度的功能。目前这种方式的图像传输要求在某些公共行业显得尤为迫切。 在应急救援领域，是否时刻保持信息的畅通决定着成败...
【四足机器人实战】四足机器人运动学、动力学模型
认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！四足机器人的运动学和动力学模型是其设计和控制的基础，涉及到如何精确描述和预测机器人在不同条件下的运动状态和行为本文先对四足机器人运动学、动力学模型做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章运动学模型主要关注四足机器人的几何形态和时间序列下的运动特性，而动力学模型则进一步考虑了引起这些运动的力和扭矩的作用效果。运动学模型：运动学模型描述了四足机器人在没有考虑力的影响下的运动特性。
四路 CAN 转 4G 网关
SG‑CAN‑4G‑410 为**四路隔离 CAN 转 4G 工业网关**，把 CAN2.0A/B 报文封装成 TCP/UDP 报文，通过 4G 无线网络实现 CAN 总线远程监控、远程控制。四路 CAN 相互独立；以太网仅用于本地配置，不做业务数据传输；支持移动 / 联通 / 电信 4G 网络。
【OTFS与信号处理：论文阅读4】OTFS时延多普勒域嵌入导频辅助信道估计（已更新）
【OTFS与信号处理：论文阅读】Embedded Pilot-Aided Channel Estimation for OTFS in Delay–Doppler Channel（快来看看OTFS嵌入式导频设计的经典之作！！！）
[Dify实战] 招聘筛简历机器人：自动筛选、排序、生成面试要点-带绑定资源
摘要：本文介绍了如何利用Dify优化简历筛选流程，解决人工筛选耗时、标准不统一等问题。通过结构化输出"评分+亮点+风险+面试关注点"，将主观判断转化为规则化流程。关键步骤包括：设计标准化Prompt、配置权重排序策略、确保公平合规性、与ATS系统对接，以及持续优化评估指标。该方法能显著提升筛选效率（缩短招聘周期）、增强一致性（避免主观偏差），并为面试官提供结构化参考信息，最终实现更高效精准的人才筛选。
汽车电子标定与测量的核心基石XCP协议
控制逻辑（算法）与标定参数（数据）。如果每次优化参数都要修改源码、重新编译并刷写Flash，整个研发周期的效率将趋近于零。标定（Calibration）技术正是为了解决这一痛点而生。它允许工程师在ECU运行过程中，动态观察内部变量（测量，Measurement），并在不中断运行的前提下实时修改控制变量（标定，Calibration）。在这一领域，XCP（Universal Measurement and Calibration Protocol，通用测量与标定协议）是公认的行业标准与核心基石。
【车载以太网测试从入门到精通】系列文章目录汇总
物理层测试、数据链路层测试、以太网交换机测试、网络层测试、传输层测试、以太网TCP/IP协议自动化测试、以太网网络管理测试、以太网网络管理自动化测试、鲁棒性测试、SOME/IP测试、SOMEI/IP服务接口自动化测试、DoIP诊断测试、DoIP诊断自动化测试、DoIP BootLoader刷写、以太网网关路由测试、以太网网关路由自动化测试、AVB测试。
【计算机网络】断点续传是怎么做到的：从 Range 请求到分片上传的完整机制
断点续传在下载侧靠的是 HTTP 现成的 Range 协议，Content-Range 保证偏移对得上，If-Range 防止文件变更导致的错误拼接；上传侧没有标准，需要自己设计 init/part/complete 三段式交互，核心是让服务端记住“哪些块已经收下”，从而把失败粒度从整个文件降到单个分片。 这套机制可以迁移到任何长耗时操作的设计上。判断方法很简单：先问失败粒度是多少。如果一次操作失败就得从头再来，那它迟早会在生产环境里出问题——传输、批量导入、数据迁移、长事务，都是同一个道理。把大操作切成
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")
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
【Linux网络】TCP 服务器并发处理多客户端：从 fork 分发到双重 fork 彻底消灭僵尸进程
拆解 TCP 服务器并发演进链：fork 分发连接、SIGCHLD 循环回收僵尸、双重 fork 交孙进程给 init 收养，并给出模型选型与线上排错对照。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
Linux 服务器性能排查手册（2026）：CPU、内存、磁盘IO、网络四大瓶颈定位
iptables 四表五链模型、firewalld zone 信任级别、云安全组与主机防火墙的关系与优先级，避坑改了防火墙把自己挡在服务器外面的翻车事故。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
SD-WAN 与传统企业组网方式有什么区别？六个维度分析技术差异与适用场景
SD-WAN 与传统组网区别，主要体现在网络管理模式、链路调度能力、可视化水平以及多站点扩展方式上。传统组网技术成熟、架构灵活，对于站点较少、业务简单、网络结构稳定的企业来说，仍然具有较高的实用价值。SD-WAN 则通过软件定义和集中化管理，为多站点网络管理、链路质量监测和业务流量调度提供了另一种技术实现方式。两者并不存在绝对的替代关系。在实际网络建设中，也可以根据不同业务和网络区域采用混合架构。
网口ps端--基础知识--调试（1）--deepseek
你现在卡住，是因为这每一层（硬件、驱动、lwIP 协议、IP 地址）中，只要有一层不对，网口就不通。物理层：看灯。灯亮说明线没问题，PHY 没死。MAC 驱动层：看串口打印。有没有打印出Link Speed？如果卡在自协商，说明你的 PHY 驱动还没配好。lwIP 协议层：如果底层通了，IP 也配对了，你调用udp_recv注册了回调函数，当电脑发来 UDP 包时，lwIP 会自动把数据包拆开，送到你的回调函数里。你之前一直在改，就是一直在死磕第 1 层和第 2 层。
台湾行情数据API接入教程
想用程序获取台股行情，很多人第一步会搜“台股资料 API 推荐”，结果发现选择不少：证交所有免费接口，Yahoo Finance 也能查，券商还有自己的 API。真正写代码时才发现，有的数据只到收盘，有的延迟 20 分钟，有的必须先开户。本文先梳理台湾行情数据的几种获取渠道，再用 Python 从零搭一个可以运行的台股数据脚本：查代码清单、取实时报价和盘口、拉历史K线、做复权、用 WebSocket 接收实时推送，最后结合台积电 ADR 和新台币汇率计算跨市场溢价。
从母钟到子钟：NTP 网络时钟系统架构与软件接口
本文从工程角度简要介绍公共场所的时间同步需求、NTP协议的定位，以及典型LED同步时钟的系统架构与硬件设计，以讯鹏科技4寸与5寸同步时钟为例。
DPVS 报文黑匣子与 Crash 自动拉黑：给转发面装上“飞行记录仪“
谁打挂了我（crash dump）、他之前发了什么（慢路径环）、他还会再来（入口拉黑）。设计上我们始终坚持两条原则：记录与决策分离（黑匣子永远只说不做），以及误伤成本优先于漏放成本（三道闸门全部通过才拉黑，expire 到期自动解封）。性能上，全量快路径摘要 + 入口查表的综合开销低于 1.3%，在 FIP 网关的流量水位下不可感知。飞行记录仪的价值不在于飞机正常飞行的时候，而在于它让每一次事故都变成一次改进。对转发面来说，同样如此。
HTTP、SSE、WebSocket、Socket.IO：实时通信方案深度对比与选型指南
HTTP 是基础，是整个 Web 的底座；SSE 是单向推送的轻量最优解；WebSocket 是高性能双向实时通信的底层标准；Socket.IO 是一套降低开发门槛、抹平环境差异的上层框架。技术选型永远不是“哪个技术更酷”，而是匹配业务的实时性、交互方向、网络环境、团队维护成本。简单需求优先轻方案，复杂双向实时再上 WebSocket；如果追求快速落地、兼容各种奇葩网络，Socket.IO 是很好的选择。
计算机毕业论文系统测试怎么写：从测试用例设计到对比实验，让“工作量“看得见
本文系统阐述计算机毕业论文中“系统测试”章节的撰写方法，涵盖功能测试用例设计（等价类、边界值、判定表）、性能测试压测方案与关键指标（平均响应时间、P99、吞吐量）、对比实验设计原则及评价指标选取。强调通过量化数据、阶梯加压曲线、瓶颈定位与多维度对比，真实展现研究工作量与技术深度，提供可直接套用的测试用例表与实验方案模板，助力论文脱颖而出。
Linux网络编程：TCP多线程远程命令执行与线程池改造
前面已经实现了 TCP Echo Server，并且通过多进程和多线程解决了多个客户端连接的问题。不过目前服务器的业务还是比较简单，客户端发送什么，服务器就返回什么。这次在原来的多线程服务器上继续做一些改动，实现一个简单的远程命令执行功能。这次主要学习了两个内容。第一个是多线程远程命令执行。通过 Command 类封装命令的接收、检查、执行和结果返回，并使用 set 对允许执行的命令进行限制。第二个是线程池版本的 TCP Echo Server。通过和std::bind。
23 网络性能与 QoS：带宽、时延、吞吐计算与保障机制
带宽是上限、不是实际速度；时延由传输、传播、处理、排队四段组成。一道题让你算端到端时延和吞吐，关键是先找到瓶颈在哪一跳。QoS 靠分类、标记、队列、调度四步保障，配一张瓶颈定位＋容量规划图，再跟 3 道真题。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2555
扫一扫
