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
3.2k累计阅读
3.2k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
WiFi模块连接，通过串口调试助手来配置
STA+连接TCP Server
1,AT+CWMODE_DEF=1 !!工作在单station模组，设置参数保存到flash
2,AT+CWJAP_DEF=“newifi_F8A0”,“anxinke123” !!连接路由器，保存到flash
3,AT+CIPSTART=“TCP”,“192.168.99.217”,6001 !!连接TCP服务器,本实验用网络调试助手进行测试
4,AT+CIPMODE=1 !!方式二：使用透传模式发送数据
5,AT+CIPSEND !!发送数据
将代码烧录到单片机，如果代码没有问题，WiFi模块正常工作。
树莓派用python实现wifi认证过期重连
公众号第一次发文，分享一个小案例，所有样本在： https://github.com/suchocolate/test/tree/master/autowifi 1.问题现象 最近把树莓派留在了机房想远程登录，但似乎每到夜里机房WIFI就会断网，导致无法远程树莓派(如何远程下回有机会再讲)。然而早上到机房后看树莓派的无线连接并没有断，只需要登陆认证网页认证一下就可以再次上网。所以基本判断不是...
学习笔记（六）：菲涅尔衍射模型与WiFi呼吸检测
2018《From Fresnel Diffraction Model to Fine-grained Human Respiration Sensing with Commodity Wi-Fi Devices》读书笔记 摘要：（1）本文利用菲涅耳衍射模型来量化衍射增益和人体胸部的细微位移之间的关系，成功将第一菲涅耳区(FFZ，the First Fresnel Zone)中障碍物的衍射转化为有益的传感能力。（2）本文通过将正面的胸部位移以及背面的细微位移结合，获得与理论图惊人匹配的结果，明确解释了呼吸
Android 12.0 wifi设置静态ip功能实现
在12.0的系统rom定制化开发中，在某些功能开发中，在wifi模块中，有产品需要要求设置wifi静态ip功能，而系统中wifi连接 后ip是动态的，每次开机后连接wifi的ip就是不固定的，所以产品需要采用固定ip，就需要实现静态ip功能
STM32物联网项目——WIFI模块联网
STM32物联网项目——WIFI模块联网
别再手动画柜子了！用EPLAN导入STEP模型，5分钟搞定一个标准机柜
本文详细介绍了如何利用EPLAN Pro Panel的3D布局功能，快速将STEP模型转化为智能机柜宏，大幅提升电气工程设计效率。通过实战步骤解析，包括模型导入、智能解析、安装面定义及拼柜技巧，帮助工程师5分钟内完成标准机柜设计，避免传统手动建模的尺寸偏差问题。
【仓颉 + 鸿蒙 + AI Agent】CangjieMagic框架（3）：Agent请求和响应
CangjieMagic框架：使用华为仓颉编程语言编写，专门用于开发AI Agent，支持鸿蒙、Windows、macOS、Linux等系统。这篇文章剖析一下 CangjieMagic 框架中的 AgentRequest 和 AgentResponse。
模块-wifi配网和蓝牙配网的过程
wifi配网和蓝牙配网的过程, wifi配网和蓝牙配网的区别, wifi配网 , 蓝牙配网
DNS入侵检测 datacon2020
DNS入侵检测 datacon2020。
51单片机通过WIFI模块ESP8266控制LED灯(大致内容，经过测试成功实现)
51单片机通过WIFI模块ESP8266控制LED灯 准备材料：stm89c516、esp8266-01、至少5根杜邦线。。、电路板。 大概思路： 1、控制esp和服务器连接。 2、pc向向服务器发送指令。 3、服务器接收到指令后，再向esp发送。 4、esp接收到指令后，再向单片机发送。 5、单片机接收到指令后，执行 指令。 先讲第一步：控制esp和服务器连接 首先用到是esp8266-01，如图： 然后是下面TTL-USB串口线，如图： 还需要一个串口调试助手，为了接发数据。我使用的调试助手如，下图
从光斑图到锤形优化：一次搞定Zemax双胶合透镜的像散与场曲问题
本文详细解析了Zemax双胶合透镜设计中像散与场曲问题的诊断与优化方法。从光斑图分析到锤形优化技巧，提供了完整的光学设计实战指南，帮助设计师快速定位问题并有效改善系统性能，特别适合光学设计工程师和Zemax使用者参考。
BMS开发避坑指南：如何用ADBMS6815实现0.03%精度的电池采样？
本文深入解析了如何利用ADBMS6815等高精度AFE芯片，在车规级BMS开发中实现0.03%级别的电池电压采样精度。文章从芯片选型、硬件设计、软件配置、算法优化到系统验证，提供了一套完整的实战指南，帮助工程师系统性地提升BMS测量精度，从而保障电池安全、延长寿命并增强产品竞争力。
从零开始的ESP8266探索（15）-WiFi其他方法和WiFi事件响应
目的 WiFi在使用过程中并非会一直如希望般稳定运行的，为了应对这些情况就需要能够了解WiFi状态，并对WiFi突发事件作出响应。 WiFi其他方法 WiFi.status() 返回STA模式下WiFi状态，返回值如下： 0 : WL_IDLE_STATUS 真正切换WiFi状态； 1 : WL_NO_SSID_AVAILin 无法访问设置的SSID网络； 3 : WL_CONNECTED 连接...
第3.1.3章 机器人第三方库实战总结：ROS 2 入门实战及和ROS1的对比，打通机器人开发的任督二脉
本文针对机器人SLAM开发中第三方库的学习痛点，重点介绍ROS 2在SLAM中的应用。文章首先对比ROS 1与ROS 2的核心差异，梳理ROS 2知识图谱，包括节点、话题、服务等核心概念。通过实战项目演示如何构建激光SLAM节点，结合代码详解运行流程。最后给出学习建议，强调动手实践的重要性，帮助开发者快速掌握ROS 2在SLAM开发中的关键应用。
sep8266连接wifi(路由器)作为客户端来访问互联网
标题物联网首先是先要跟网络通信 esp8266连接wifi #include <ESP8266WiFi.h> //使用ESP8266WiFi库 const char* ssid = "wifi名称"; // 连接WiFi名 // 请将您需要连接的WiFi名填入引号中 const char* password = "wifi密码"; // 连接WiFi密码
第一章 EB安装
1.DemoWorkspace 是基于EB当前组件配置下的例程，包含了启动文件和中断服务函数以及组件demo。2.Mclsar 下存放的是EB的插件包和静态MCAL的驱动文件。
SMART200如何实现多次调用子程序带定时器功能
1、西门子200PLC的子程序由于很多限制条件，如果希望建立一个可以多次调用的子程序，那么这个子程序里是不能含有定时器指令的，所以我们只能退而求其次了。建议将沿指令（上升沿、下降沿）放在多次调用子程序的外面。 2、可以提供不同的时基，提供不同时间的定时 3、实现秒定时 5、子程序内部： STL代码： 1、时基信号由外部提供、 可以提供不同的时基信号 2、实现循环定时开关 LD #Start:L0....
Android WIFI状态监控
第一类：有无wifi源及各个状态间转变 可监听 WIFI_STATE_CHANGED_ACTION。(如下图所示，双击图片可放大) 有五种情况： 1-1 disabled 1-2 disabling 1-3 enable 1-4 enabling 1-5 unknown 可通过不同的Extra值，见下图（双击可放大）获得状态常量： 代码如下：
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
micropython 网络_二、MicroPython 配置WIFI网络
网络对于现代的人们来说就和衣食住行一样重要，MicroPython 提供了非常方便的API操作网络，今天就演示一下使用ESP8266连接WIFI，话不多说，直接上代码。import networkimport timedef do_connect(essid, password):'''根据给定的eddid和password连接wifi:param essid: wifi sid:param p...
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")
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
基于智能家居项目 ESP8266 WiFi 模块通信过程与使用方法详解
ESP8266 是由乐鑫科技（Espressif）推出的一款低功耗、高集成度的 WiFi SoC 芯片。它内置 TCP/IP 协议栈，支持 STA（Station）、AP（Access Point）和 STA+AP 混合模式，可以独立作为主控 MCU 或配合其它主控（如 STM32、Arduino）通过串口通信使用。ESP-01：最简模块，仅暴露少量 GPIO。ESP-12：GPIO 较多，适合开发板集成。NodeMCU：开发板封装，USB 转串口集成，方便调试。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
基于原子开发板STM32精英版的WIFI模块:ATK-ESP8266的实验
STM32的WIFI模块
【正点原子 D20 WiFi 模块】介绍、配置、工程测试
本文介绍了正点原子 D20 WiFi 模块的相关信息，包括参数资源、功能特点、模式配置、上位机等，并通过 MQTT 透传实现相关工程测试、Home Assistant 平台数据上传等，为该产品在工业物联网领域的开发设计和快速应用提供了参考。
Android 4.2上调试RT3070 WiFi模块
本文记录了在Android4.2上调试RT3070 WiFi模块驱动的过程。
玩转X-CTR100 l STM32F4 l ESP8266串口WIFI模块
我造轮子，你造车，创客一起造起来！更多塔克创新资讯【塔克社区 www.xtark.cn 】【塔克博客 www.cnblogs.com/xtark/ 】- ESP8266是一款非常火的WIFI模块，性价比高，操作简单，通过AT指令实现复杂的WIFI通信，大大降低开发难度。 夸张点说，如果创客不知道这么模块，不能称之为创客！ 本文介绍ESP8266模块的使用，X-CTR100...
使用Arduino UART-WiFi模块做web服务器
2019独角兽企业重金招聘Python工程师标准>>> ...
基于esp826的使用实现串口网络双控制以及数据上传（解决了没有esp8266的库和连接不上wifi以及手机热点的问题）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码
python实现wifi自动连接，解决电脑wifi经常断开的问题
我的windows连接wifi经常断开，可能是路由器或者网络的问题，没有找到解决方法，只好用python做一个自动连接的脚本
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1515
扫一扫
