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
127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
作为一位行政小姐，你可能会想知道如何在HPAPaaS平台的支持下，展现你的才华并逆袭成为一名程序员。幸运的是，HPAPaaS平台提供了一系列工具和资源，让你能够掌握编程技能并在软件开发领域崭露头角。本文将详细介绍如何利用HPAPaaS平台的功能，并提供一些源代码示例，帮助你在程序员的道路上取得成功。
在开始之前，你需要对编程基础知识有一定的了解。虽然HPAPaaS平台提供了一些简化的开发工具，但了解编程概念和语法仍然是非常重要的。下面是一些你可以学习的编程语言和概念：
# 示例代码：打印Hello World
print("Hello World")
数据挖掘实战：决策树 + 聚类 + 关联规则，零 Key 离线可跑（Python 源码）
数据挖掘实战包。用 Python 标准库实现 CART 风格决策树、K-Means 聚类与 Apriori 关联规则，在虚构「星河便利店」会员表和购物篮上跑通分类、分群与购物篮分析，并给出准确率、轮廓系数、支持度/置信度/提升度。零第三方依赖、零 API Key 即可离线跑通。含 4 个样例、离线冒烟、中文 README（含「使用方法」）。均为作者原创可运行源码。MIT。作者 blog.youkuaiyun.com/mtl1994
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？.docx
科技中介服务机构在技术供需对接中如何实现服务流程的自动化与标准化？
产业园区如何高效对接企业技术需求与高校科研成果？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
国央企创新负责人如何快速掌握本地科技资源分布与匹配情况？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
国央企创新负责人如何实现科技成果的精准识别与高效筛选？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
高校技术转移办公室人员如何系统化管理科技成果信息？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
科技中介服务机构如何构建标准化、模块化的智能服务工具？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
fab-pm-optimizer-python-entry-py39-20261021-v1-1-0
PSIM-三相维也纳VIENNA整流器电压电流双闭环+中点电位平衡SVPWM控制仿真
内容概要：本文档详细介绍了一种基于PSIM软件实现的三相维也纳（VIENNA）整流器仿真模型，重点实现了电压电流双闭环控制与中点电位平衡的SVPWM调制策略。该仿真系统通过精确的控制算法有效提升了整流器的功率因数，降低了输入电流谐波含量，并解决了三电平拓扑中常见的直流侧中点电位偏移问题，具有较高的工程实用价值，适用于高效率、高功率密度的电力电子系统设计与科研验证。文档还整合了丰富的配套资源，涵盖多种电力电子变换器拓扑结构、先进控制算法及典型应用场景，形成了系统化的技术资料体系，有助于深入理解现代整流技术的核心原理与发展动态。; 适合人群：面向从事电力电子、电气工程、新能源变换系统等领域的科研人员、高校研究生以及具备一定仿真基础的工程技术人员。; 使用场景及目标：①深入研究三相VIENNA整流器的工作机理与控制特性；②掌握电压外环、电流内环双闭环控制结构的设计方法；③理解并实现SVPWM调制技术与中点电位平衡控制策略的协同作用；④开展相关控制算法的仿真验证、性能优化与实验对比，为高性能整流装置的研发提供理论支撑和技术原型。; 阅读建议：建议结合文中列出的其他仿真案例（如PWM整流器、LLC谐振变换器、DAB变换器等）进行横向对比学习，充分利用所提供的PSIM、MATLAB/Simulink等多平台仿真资源，重点关注控制逻辑与主电路的耦合关系，通过参数调试与波形分析深化对系统动态响应和稳态性能的理解，强化“理论—建模—仿真—优化”的闭环研究能力。
产业园区运营负责人如何利用数智工具提升园区企业的技术对接效率？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
ICD10 openGauss版
ICD10 openGauss版
产业园区运营负责人如何利用平台实现企业创新需求的精准分析与服务推送？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
高校技术转移办公室人员在推动成果转化落地过程中，如何实现科技成果的高效推介与价值评估？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
科技中介服务机构如何通过数智工具提升技术需求挖掘的精准度？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
政府科技管理者如何在政策支持中更精准地识别和支持高价值科技项目？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
全桥LLC谐振变化器参数设计资料(闭环仿真+参数设计报告）
内容概要：本文档系统性地介绍了全桥LLC谐振变换器的闭环仿真建模与关键参数设计方法，涵盖其工作原理、谐振元件（如谐振电感、谐振电容、励磁电感）的计算与优化流程，并结合Simulink或Plecs等仿真平台构建闭环控制系统模型，重点验证变频控制策略下的软开关实现、系统增益特性、效率优化及动态响应性能。资料包含完整的仿真模型、参数设计报告、数学计算书及参考文献，支持从理论分析到工程实践的全流程研究，适用于高频高效DC-DC变换器的研发与教学应用。; 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学生、科研人员，以及从事开关电源、新能源变换器、工业电源研发的工程技术人员，具备电路拓扑基础与仿真软件操作能力者更佳。; 使用场景及目标：①深入掌握全桥LLC谐振变换器的工作机理与谐振参数设计准则；②学习并实现闭环反馈控制系统的建模与稳定性分析；③支撑科研课题、课程设计、毕业设计或实际产品开发中的拓扑选型与性能验证需求；④通过仿真与计算联动提升对软开关技术与效率优化的理解与应用能力。; 阅读建议：建议结合所提供的仿真文件与设计文档同步操作，按照“建模—参数计算—仿真验证—性能分析”的流程逐步推进，重点关注频率调节对ZVS/ZCS实现的影响，对比不同负载条件下的闭环响应差异，深化对谐振腔特性和控制策略协同作用的理解。
政府科技管理者如何提升区域科技成果转化项目的评价与筛选效率？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
jp-host-release.apk
jp-host-release.apk
GPS-SDR-SIM使用详解
GPS-SDR-SIM 是一款开源工具，能够生成 GPS 基带信号数据流，这些数据流可通过软件定义无线电（SDR）平台（如 ADALM-Pluto、bladeRF、HackRF、USRP 等）转换为射频（RF）信号。简单来说，它能模拟 GPS 卫星信号，帮助开发者或爱好者测试 GPS 接收设备的性能，而无需依赖真实的卫星信号。
IVP 2021 UNETR: Transformers for 3D Medical Image Segmentation
动机 具有跟踪和扩展路径的全卷积神经网络（FCNNs）（如编码器和解码器），近年来在各种医学图像分割应用中显示出了突出的地位。在这些体系结构中，编码器通过学习全局上下文表示来扮演一个不可或缺的角色，该全局上下文表示将进一步用于解码器的语义输出预测。 卷积层作为FCNN的主要构造块，其局部性限制了此类网络学习长时空间依赖的能力。 在NLP领域，基于transformer的模型已经在各种任务中实现了最先进的基准。transformer中的自我注意机制使他们能够动态地突出词序列的重要特征并学习其长时依赖关系。这
告别交越失真：手把手教你设计高性能互补输出级电路（LTspice实测）
本文深入剖析音频放大器中常见的交越失真问题，并提供基于LTspice仿真的实战解决方案。通过对比二极管偏置、Vbe倍增器和集成运放驱动三种经典方案，手把手指导设计高性能互补输出级电路，涵盖原理分析、仿真验证及实物调试要点，助力消除音频失真，提升音质。
RPCA模型及GoDec算法
一、基础知识 在线性代数中，秩的物理意义是矩阵中最大的不相关的向量个数，因此秩可以用来度量相关性；而在图像处理中，秩就可以理解为图像中所包含的信息的丰富程度。图片中比较突兀的成分，会增加图像矩阵的秩，一幅清晰的自然图像其数据矩阵往往是低秩或者近似低秩的，这是因为其中的图像信息有很大的相关性，但如果图像中引入噪声，那么存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性。 低秩矩阵：如果AAA是一个m×nm×nm×n的矩阵，rank(A)rank(A)rank(A)是矩阵AAA的秩，如果rank(A)
Isaac Sim 车辆动力学：从参数调优到户外仿真的挑战与实战
本文深入探讨了Isaac Sim在车辆动力学仿真中的应用，从参数调优到户外场景模拟的实战经验。详细解析了悬架系统、轮胎物理模型等核心参数的设置技巧，并分享了应对户外仿真挑战的实用方案。通过Vehicle Wizard高级使用和传感器配置，帮助开发者高效完成车辆仿真与算法开发。
上位机 寻边器 通讯实战
寻边器通讯接口实现 本文介绍了上位机与盖泽(Gazer)和JEL品牌寻边器的通讯接口实现方案。主要内容包括： 接口定义：创建了IAlignerOperation接口，定义了获取状态、控制运动、真空吸附等核心功能。 具体实现： 盖泽寻边器(GazerAlignerCjh)：通过串口通讯，实现了回零、校准、移动位置等操作 JEL寻边器(JelAligner)：同样基于串口通讯，包含错误处理、状态查询等功能 工厂模式：通过AlignerFactory工厂类根据设备品牌创建对应的实现对象。 设备加载：展示了如何在系
行人检测模型在海思平台上的部署：从 PyTorch 到 NNIE 深度优化与实践
摘要 本文详细介绍行人检测模型从PyTorch到海思NNIE平台的部署流程。首先分析了行人检测面临的挑战(尺度变化、遮挡、姿态多样性等)及边缘部署的优势(实时性、隐私保护等)。重点阐述了模型转换过程：PyTorch→ONNX→Caffe→NNIE-WK，其中PyTorch转ONNX需注意评估模式设置、虚拟输入匹配、操作集版本选择等关键点。文章旨在帮助开发者在海思3516D芯片上实现高效的行人检测，克服部署过程中的常见问题，最终实现边缘设备的实时目标检测能力。
硬件工程师笔记——电子器件汇总大全
本文系统总结了14种常用电子器件的工作原理及功能应用，包括电阻、压敏电阻、电容、电感、二极管、三极管、MOS管、晶振、光耦、IGBT、继电器、磁珠、可控硅和线性稳压器。每种器件从结构原理、工作特性到典型应用进行全面解析，如电阻的限流分压、电容的储能滤波、三极管的放大开关等。重点阐述了各器件在电路设计中的关键作用，如IGBT的功率控制、继电器的隔离保护、LDO的电压稳定等，并提供了实际电路应用案例。文章还整理了硬件工程师笔试面试相关的知识点和真题资源，为电子工程师提供全面的技术参考。
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")
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
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
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1241
扫一扫
