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
224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
1.2.1 问题
你需要创建一个Flex库项目.
1.2.2 解决方法
从Flex Builder的导行栏,选择新建->Flex库项目打开创建新项目向导.
1.2.3 讨论
一个Flex库项目,不需要主MXML文件,它被编译到SWF文件中.改为编译到SWC文件中,可以被用到其他的应用中,或是作为运行时共用的库资源.库里面的类可以用于创建一组在其他项目编译或运行时的可复用资产.要创建一个Flex库项目,右键Flex Builder的项目导航栏,打开关联菜单(图1-6)或使用文件菜单.使用其一,之后选择New->Flex Library Project.
图1-6
在向导对话框中(图1-7),指定你项目的名称和位置.
图1-7
如果你不添加其他内容,现在可以点击结束.如果你城要包含文件,资产或是其他的SWC文件,包含Adobe AIR库,点击下一步,并从向导对话框中选择它们.要设置可以被选择并增加进recipe的类,首先浏览你想要包含的资源路径,之后设置其他的将要被编译进库的类或是图片资源.点击结束,完成项目的创建.
【无人机航测】MATLAB重叠率与地面分辨率协同设计：航线间距及飞行方向优化系统 MATLAB 无人机航测重叠率设计｜地面分辨率与航线间距计算
内容概要：本文档介绍了基于MATLAB R2025b开发的无人机航测重叠率与航线间距计算系统，旨在通过建立统一的航测几何计算体系，实现重叠率、地面分辨率与航线间距的动态协同设计。系统结合相机参数、飞行参数、地形数据与风场信息，通过自动化候选航向搜索与多目标优化，选择兼顾覆盖质量、飞行效率与安全性的最优航线方向。项目涵盖从参数输入、摄影测量计算、地形与安全修正，到候选路线生成、综合评价与结果可视化的全流程，并构建了五万组模拟数据用于算法验证与模型训练，支持桌面交互、批量处理与服务化部署，适用于多种复杂场景下的无人机航测任务规划。 适合人群：具备一定MATLAB编程基础和摄影测量知识的科研人员、工程技术人员及高校师生，尤其适合从事无人机航测、地理信息系统（GIS）、遥感与测绘等相关领域的从业者。 使用场景及目标：① 实现无人机航测任务中地面分辨率与航线间距的精确计算与动态优化；② 解决复杂地形与风场环境下航线方向选择困难、覆盖质量难以保障的问题；③ 通过自动化设计减少人为经验依赖，提升航测任务的可靠性与效率；④ 为后续的三维建模、正射影像生成与灾害应急评估等应用提供高质量的数据基础。 阅读建议：建议读者结合文中提供的完整代码示例与GUI界面设计，逐步实践参数配置、模型计算与结果分析流程。重点关注摄影测量公式推导、地形修正策略与多目标优化算法的实现细节，并利用模拟数据进行敏感性分析与模型验证，以深入理解系统的设计理念与工程应用价值。
Flex 3 Cookbook-技巧1.1 在Flex Builder中创建Flex项目
1.1.1 问题 你想在Flex Builder中创建一个项目. 1.1.2 解决方法 使用创建新项目向导. 1.1.3 讨论 Flex Builder是构建在Eclipse之上,the venerable and well-respected integrated development environment (IDE) most strongly associated with J...
【电力负荷预测】项目介绍 MATLAB实现基于BO-Transformer-LSTM贝叶斯优化算法（BO）优化Transformer-LSTM组合模型进行居民用户多步电力负荷预测（含模型描述及部分示例
内容概要：本文介绍了一个基于BO-Transformer-LSTM的组合模型，用于实现居民用户多步电力负荷预测的完整项目实例。该模型融合Transformer的全局注意力机制与LSTM的局部时序记忆能力，构建能够捕捉长时依赖与周期性特征的深度学习架构，并引入贝叶斯优化（BO）自动搜索最优超参数组合，提升预测精度与训练效率。项目涵盖从原始数据清洗、特征工程、滑动窗口样本构建、模型设计到超参数优化、反归一化及多步误差评估的全流程，强调时间顺序划分以防止信息泄露，并通过周期编码、外生变量融合等方式增强数据表达能力。文中提供了详细的MATLAB代码示例，包括数据预处理、网络搭建、贝叶斯优化配置和预测结果评估等关键步骤。 适合人群：具备一定机器学习和时间序列分析基础，熟悉MATLAB编程环境，从事电力系统预测、智能电网、负荷管理等相关领域的研究人员、工程师及研究生。 使用场景及目标：①应用于居民级或多用户聚合负荷的短期至中期多步预测（如未来24小时）；②服务于配电系统运行调度、需求响应基线设定、家庭能源管理系统优化、分布式能源协调控制等实际工程场景；③为科研提供可复现的深度学习+贝叶斯优化的技术路线参考。 阅读建议：此资源以实际项目为导向，建议读者结合提供的代码逐步实现并调试模型，重点关注数据质量控制、时间特征编码、组合网络结构设计与贝叶斯优化稳定性之间的协同关系，在实践中深入理解多步预测中的误差累积机制与超参数敏感性问题。
Flex 3 cookbook-技巧1.5 在Flex Builder之外编译Flex项目
1.5.1 问题 没有为你的Flex项目使用Flex Builder,还需要编译你的项目. 1.5.2 解决办法 使用终端或是命令提示符来调用编译器. 1.5.3 讨论 虽然Flex Builder是一个非常强大的Flex开发工具,当然,它不是创建Flex应用所必需的.MXML编译器(mxmlc)对任何人都是免费的,并且可以从Adobe下载到.要在Flex Builder之外...
国央企创新负责人如何通过平台实现科研成果的快速识别与转化？.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。
PotPlayer自用皮肤
自用 PotPlayer 皮肤，仅微调了字体大小与颜色，是按个人习惯调整，未做适配性调整。
Flex 3 cookbook-技巧1.4 在Flex Builder中设置MXML编译器的编译选项
1.4.1 问题 你需要指定MXML编译器的编译选项. 1.4.2 解决方法 在项目属性对话框的Flex编译器面板内设置编译属性. 1.4.3 讨论 MXML编译器,也称mxmlc,是把ActionScript和MXML文件编译成可以在Flash播放器中观看的SWF文件的应用程序.当你在Flex Builder中运行或调试一个Flex应用时,MXML编译器被调用,并且文件将作为一个参数传...
2-shell及常用命令-续.pdf
2-shell及常用命令-续.pdf
Flex Builder 3 实现 trace 功能
Flex Builder 3 实现 trace 功能在Flex中，Trace的重要性不必我强调，但是在最新的Flex Builder 3 中并不能轻松的实现这个功能，今天参考了《Flex 3 Cookbook》，总算解决了这一问题：一、下载安装带DEBUG版本的Flash Player；注意下载Firefox可用的：Windows Flash Play
AD学习笔记（一）基础认识
文章目录AD学习笔记第一讲 AD基础认识一、两库两图（分别对应下图）1、PCB图（pcbdoc）2、原理图（schdoc）3、原理图库（schlib）4、PCB库（pcblib）二、封装1、DIP封装2、LQFP封装三、绘制整体流程1、建立工程（PrjPcb）2、建立两库两图并保存整个工程（五次）3、从库中提取绘制原理图4、原理图导入pcb图5、根据原理图布线6、pcb图交由工厂打板 AD学习笔记 第一讲 AD基础认识 一、两库两图（分别对应下图） PCB图（pcbdoc） 原理图（schdoc） PCB库
飞书云文档API操作详细介绍
开通云文档API、python程序调用飞书api、飞书获取app_id和app_secret、
《ActionScript 3.0 Cookbook》 第一章. ActionScript 语言基础
[1u] [color="#800080"][1b]ActionScript 3.0 Cookbook 概述[/1b][/color] [/1u] [color="#000080"]概述[/color] 在Ajax 和 微软 WPF 袭来之前，Macromedia 率先推出基于Flash的RIA解决方案，用于创建具有桌面程序富有交互和多功能的Web应用程序，我们称之为“Ric...
YOLOv11模型改进-模块-引入空间池化模块StripPooling 解决遮挡、小目标
本文介绍了一种新的空间池化策略，称为，用于场景解析。结构：包括两个平行路径，分别进行水平和垂直方向的条带池化，然后通过1D卷积层进行特征调整。：结合了条带池化和传统的空间池化，分别用于捕捉长距离和短距离的依赖关系。作用捕捉长距离依赖：通过长条形的池化窗口，有效捕捉分布离散的区域之间的关系。避免不相关信息干扰：窄条形的池化窗口有助于捕捉局部上下文，防止不相关区域干扰标签预测。提高场景解析性能：在多个基准数据集上，证明了这种方法能够显著提升场景解析的效果。
Flex Builder 3中调试输出信息 问题
Trace的重要性不必我强调，但是在最新的Flex Builder 3 中并不能轻松的实现这个功能，今天参考了《Flex 3 Cookbook》，总算解决了这一问题： 一、下载安装带DEBUG版本的； IE版本的：Download the Windows Flash Player 9 ActiveX control content debugger (for IE) (
python利用IQR方法与3σ方法进行异常值处理（含代码）
python利用IQR方法进行异常值处理
科研必备：15款顶尖AI科研工具全面分析汇总（持续更新ing）
科研必备：15款AI科研工具全面分析汇总（持续更新ing）
Flex Module专题
主要参考书目： 《ADOBE FLEX3 DEVELOPER GUIDE》 《Flex.3.Language.Reference.cn.chm》 《FLEX3 COOKBOOK》 建议阅读本文档时，参考附件中源码FlexModule（已在FLEX BUILDER3+FLEX SDK3.2下编译通过）。 相关Module网址 : http://www.iteye.com/topic/29781...
第55篇：数据隐私保护技术盘点——差分隐私、同态加密与它们的坑（踩坑总结）
数据隐私保护是AI工程化中必须严肃对待的课题。差分隐私和同态加密是两把利器，但也都是“重武器”，使用不当反而会伤及自身。差分隐私像“模糊处理”，通过加噪来保证统计安全性，要小心管理隐私预算和效用权衡。同态加密像“保险箱里打算盘”，保证了计算的精确性，但必须承受巨大的性能和工程复杂度代价。我的建议是：从小规模实验开始，先用DP-SGD在MNIST/CIFAR-10等标准数据集上感受噪声与精度的关系；再用TenSEAL等易用的库尝试一个加密逻辑回归，体会密文膨胀和速度延迟。
Adobe AIR 开发人员工具箱
最近学习AIR 发现有篇好文章，翻译下，和大家共享。 原文地址: [url]http://www.smashingmagazine.com/2009/04/07/adobe-air-developers-toolbox-resources-and-tutorials/[/url] 现以生成电子版，下载地址:[url]http://xiayuanfeng.javaeye....
论文分栏前后内容不连续？教你word如何删除分节符
问题 当我们在写论文的时候，很多期刊的模板都是两栏的格式，但有的时候我们插入的图像尺寸可能太大，两栏格式放不下，因此需要将其以一栏的格式出入，如下： 但当我们把图片删除后，再将其转换成两栏格式，前后内容就出现不连续的情况： 正常情况下应该是如下： 正确处理方式 里面有个分页符，把分页符去掉，或者把你的文字全部复制到记事本里，然后重新复制回word就可以取消原有的格式了。 删除分节符的方法（以word 2019为例） -点击菜单栏上的“视图”，点击“大纲视图”。 可以看到word文档以整列的形式展开：
ARM6818嵌入式视频播放器：硬解加速与Framebuffer渲染实战
嵌入式Linux音视频系统是智能座舱、工业HMI等场景的核心能力，其本质是软硬协同的实时多媒体处理系统。原理上需打通内核驱动（如VPU硬件编解码、FIMD多图层合成）、用户空间框架（GStreamer pipeline定制、SDL2硬件渲染）与应用层同步机制（PTS/HTS双时钟校准）。技术价值在于显著降低CPU负载（硬解可压至15%以下）、提升启动速度（<1.2s首帧）并保障音画同步精度（±3ms级）。典型应用场景包括车载信息娱乐、边缘AI终端及无X11的工控显示设备。本文基于ARM6818平台，深入VP
ModuleLoader 加载 取.swf?runId="+runId+"&state="+state后面的参数 ...
http://smartblack.iteye.com/blog/543073 Flex Module专题 博客分类： Flex FlexAdobeFlashXML应用服务器 主要参考书目： 《ADOBE FLEX3 DEVELOPER GUIDE》 《Flex.3.Language.Reference.cn.chm》 《FLEX3 COOK
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
287
扫一扫
