龙虾开发者社区(xclaw) · OpenClaw生态深度学习融合 v1.0

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

龙虾开发者社区(xclaw) · OpenClaw生态深度学习融合 v1.0

DNA: #龍芯⚡️丙午·丙申·癸丑·申时·需-XCLAW-OPENCLAW-DEEP-LEARN-v1.0
来源: https://devpress.youkuaiyun.com/xclaw (27,742成员·优快云旗下OpenClaw官方阵地)
融合日期: 2026-07-08
执笔: P05 上帝之眼 + P02 龍芯 + P15 乔前辈


一、社区概况

维度数据
社区名龙虾开发者社区
平台优快云 DevPress
成员数27,742
定位优快云旗下专注OpenClaw生态的官方阵地
核心方向Skill开发、插件实践、部署教程、AI Agent
社区IDxclaw
关键人物Peter Steinberger (OpenClaw创始人·龙虾之父)、Boris Cherny (Claude Code负责人)、Addy Osmani

二、六大核心知识域

2.1 🔗 鸿蒙×OpenClaw×小艺 三位一体

小艺接入OpenClaw七步流程 (VCS29, 2026-03-11)
前提条件: HarmonyOS NEXT(唯一支持版本) + 小艺最新版 + 同一华为账号
  ↓
① 登录小艺开放平台 developer.huawei.com/consumer/cn/celia
② 新建智能体 → 选中「OpenClaw模式」(每账号限1个)
③ 获取凭证: AK(公钥) + SK(私钥·仅弹出一次·永久丢失风险)
④ 安装插件: openclaw plugins install @ynhcj/xiaoyi@latest
⑤ 配置openclaw.json → channels.xiaoyi = {enabled, ak, sk, agentId}
⑥ 重启: openclaw gateway restart
⑦ 白名单测试 → 语音唤醒 "小艺小艺,启动OpenClaw智控助手"

避坑清单:

问题解决
SK丢失重新创建凭证
插件安装失败换npm华为云源,删 ~/.openclaw/extensions/xiaoyi/ 重装
唤醒无响应更新小艺App、重启通道、核对白名单
对接失败检查账号一致性、确认HarmonyOS NEXT
Agent Framework Kit 三层架构 (老狼, 2026-03-05)
┌─────────────────────────────────────────┐
│  组件层: FunctionComponent              │
│  ├ 图标组件 (综合无意图入口)              │
│  └ 按钮组件 (自定义功能描述匹配)          │
├─────────────────────────────────────────┤
│  控制层: FunctionController             │
│  ├ 生命周期: 拉起/状态监听/错误处理       │
│  └ 事件: agentDialogOpened/Closed       │
├─────────────────────────────────────────┤
│  交互层: 小艺智能平台对接                │
│  ├ 语音交互 (系统级唤醒)                 │
│  └ 多设备协同 (手机/平板/智慧屏/音箱/穿戴) │
└─────────────────────────────────────────┘

生态绑定: BasicServicesKit(错误) + PerformanceAnalysisKit(hilog日志) + AbilityKit(上下文)
设备兼容: 同时支持 HarmonyOS NEXT 及传统 HarmonyOS
接入量: 几十行代码完成接入

完整闭环:

语音指令 → 小艺识别+意图解析 → 传递至OpenClaw智能体
  → 执行Skill → 结果通过小艺语音/文字反馈
🐉 龍魂映射
OpenClaw×鸿蒙能力龍魂对应
小艺语音唤醒龍魂CLI + 语义路由
Agent Framework Kit三层龍魂 L1→L2→L5 三层服务架构
AK/SK密钥对龍魂 DNA签名 + GPG/国密
多设备协同龍魂多平台(Mac/Linux/HarmonyOS)
几十行代码接入龍魂技能注册 cross_module_registry

2.2 🧠 OpenClaw 记忆系统 — 三层记忆模型

架构原理 (陈广亮, 2026-02-23)
Context (工作记忆·上下文窗口 32k-200k tokens)
    ↓ token即将耗尽
Compaction (短期记忆·自动摘要压缩)
    ↓ Memory Flush静默写入
Memory Files (长期记忆·持久化Markdown)

核心原则: 文件即记忆,不写文件 = 不记住

核心文件
文件功能龙魂对应
MEMORY.md策略性长期记忆(决策/偏好/教训).codebuddy/memory/MEMORY.md
memory/YYYY-MM-DD.md每日操作日志.codebuddy/memory/YYYY-MM-DD.md
AGENTS.mdAgent行为规范AGENTS.md
SOUL.md人格与语气设定CONSTITUTION.md + P系列人格
HEARTBEAT.md心跳检查任务清单agents/daemon_logs/heartbeat.json
TOOLS.md工具使用笔记L2_技能层/
USER.md用户信息MEMORY.md 项目身份
混合检索: Vector 70% + BM25 30%
finalScore = 0.7 × vectorScore + 0.3 × textScore

配置:
  hybrid.enabled = true
  vectorWeight = 0.7  (语义向量·text-embedding-3-small)
  textWeight = 0.3    (BM25关键词·commit hash/代码符号)
  MMR: enabled=true, lambda=0.7  (去重·最大边际相关性)
时间衰减公式
decayedScore = score × e^(-λ × ageInDays)
λ = ln(2) / halfLifeDays  (默认 halfLifeDays=30)

示例:
  今天   → 100%
  7天前  → ~84%
  30天前 → 50%
  90天前 → 12.5%
  180天前→ ~1.6%

永久文件不衰减: MEMORY.md 及非日期文件保持原始分数

写入路由规则
写入目标条件
MEMORY.md用户偏好、策略决策、经验教训、长期项目状态
memory/YYYY-MM-DD.md当日任务与进展、临时决策、技术调研、待办
❌ 禁止敏感凭据(API key/密码)、临时计算结果、工具原始输出
Memory Flush 自动存储
token用量达到 contextWindow - 20000 - 4000 时
  → Agent收到静默提示
  → 将重要信息写入文件
  → 回复 NO_REPLY (用户无感知)
心跳机制 (Heartbeat)
Cron定时触发 → Agent读取HEARTBEAT.md
  → 执行周期性任务(检查网站/收集话题/生成周报)
  → 没事则回复 HEARTBEAT_OK (保持静默)
🐉 龍魂对标分析
OpenClaw记忆机制龍魂实现差异/提升空间
三层记忆模型两层(working memory + daily)缺Compaction自动压缩层
混合检索 Vector+BM25无(仅文件读)可引入语义检索
时间衰减 e^(-λ×age)η=T^(-α_τ) (龍魂公式01)两套衰减体系统一为双模衰减
Memory Flush自动写手动写memory可添加自动Flush触发器
Heartbeat心跳daemon_logs/heartbeat.json已有,可强化
SOUL.md人格P系列人格体系龍魂更丰富(71+人格)

2.3 🔄 Loop Engineering — Agent自驱动范式

四层跃迁史
提示词工程 (2023)
  "人写Prompt → AI回答"
    ↓
上下文工程 (2024)
  "人管理Context → AI理解上下文"
    ↓
Harness工程 (2025初)
  "人搭环境 → Agent自己跑"
    ↓
Loop工程 (2025中)
  "人设目标 → Agent自己转"
五组件 (禅与计算机程序设计艺术, 2026-07-04)
┌──────────────────────────────────────────────┐
│ ① 任务发现: "下一圈该干什么?"                  │
│    外部事件/状态扫描/目标分解/自我派生            │
├──────────────────────────────────────────────┤
│ ② 沙盒环境: "Agent在哪转、能碰什么"              │
│    时间墙/资源配额/网络白名单/文件挂载/工具权限      │
├──────────────────────────────────────────────┤
│ ③ 独立评估: "这一圈做完,到底成没成?"            │
│    L0客观信号 → L1独立模型 → L2人工抽审           │
│    铁律: 不能让执行者当自己任务的法官              │
├──────────────────────────────────────────────┤
│ ④ 持久化记忆: "跨会话状态传承"                   │
│    短期(上下文) → 中期(.loop/state.json)         │
│    → 长期(CLAUDE.md·仅存验证过的知识)             │
├──────────────────────────────────────────────┤
│ ⑤ 智能调度: "多个任务先做谁?做不动要不要换?"     │
│    优先级排序/连续失败降级/退避策略/并发控制        │
└──────────────────────────────────────────────┘
LOOP 状态机
IDLE → DISCOVER → EXECUTE → EVALUATE
         ↑                      ↓
         └──── ITERATE ←────────┘
                    ↓ (满足终止条件)
                  STOP (写终止诊断+通知人)
五类终止条件 (缺一不可)
  1. 目标达成 → 评估通过
  2. 预算耗尽 → Token或费用天花板
  3. 连续失败 → 同一任务累计无进展圈数超限
  4. 外部信号 → 人工暂停或撤销
  5. 超时 → 墙钟硬时限(强杀沙盒)
自我喂料机制 (Self-Fueling Loop)
机制组件作用
自我派生任务①任务发现评估发现缺口→自动生成下一圈任务入队
失败信号回流③评估+④记忆失败原因写入中期记忆→下轮prompt自动携带
长期知识沉淀④持久化记忆验证过的策略写入CLAUDE.md→跨任务进化
目标驱动分解⑤智能调度高层目标→自行拆解子目标→逐步调度
评估-执行闭环③→⑤→②评估结果→触发调度决策→自驱动链条
子Agent派生循环 (Fan-out)
主Agent拆解大任务
  ├ fork子Agent A (隔离沙盒)
  ├ fork子Agent B (隔离沙盒)
  └ fork子Agent C (隔离沙盒)
  ↓ 汇总结果
主Agent整合 → 评估 → 决策下一轮
成本结构: 3-8x Token 换 90% 人力带宽
模式产出特点
人肉Loop30-50 PR/月人全程在场,受注意力限制
工程Loop200+ PR/月人只做L2抽审+目标设定
隐性成本前3月较重工程维护+沙盒资源+评估调用
净收益3月后稳定为正Boris Cherny实测 259PR/6个月
理解债务对抗
AI每天产出500行 → 人每天能读懂100行
  → 3个月后 = 没人真正理解系统 (雪崩)

对策:
  ✅ 结构化验证替代人眼审查 (L0+L1评估)
  ✅ 长期记忆只沉淀验证过的知识
  ❌ 绝不把会话日志直接当记忆
🐉 龍魂映射
Loop工程组件龍魂对应状态
① 任务发现semantic_parser.py + 意图路由🟢 已有
② 沙盒环境bin/lh_anti_tamper.py + CNSH门禁🟢 已有
③ 独立评估三色审计(P05) + 五色v3🟢 已有
④ 持久化记忆.codebuddy/memory/ (daily+MEMORY)🟡 缺Compaction层
⑤ 智能调度on_execute调度 + contrib-eval🟡 缺连续失败降级
状态机龍魂治理引擎 governance_engine.py🟡 可强化为显式LOOP
子Agent派生Task tool (subagent) + team mode🟢 已有
自我喂料交叉模块联动感知🟡 可强化
理解债务五色审计+铁律#2(不删只冻)🟢 部分已有

2.4 💎 OpenClaw 中级到高级 (农夫运维, 2026-02-27)

memoryFlush 防失忆
{
  "compaction": {
    "reserveTokensFloor": 20000,
    "memoryFlush": {
      "enabled": true,
      "softThresholdTokens": 4000
    }
  }
}
子Agent并行配置
{
  "subAgents": {
    "enabled": true,
    "maxConcurrent": 3,
    "timeout": 300000
  }
}
Skills开发标准
目录结构:
  skills/<name>/
    ├ SKILL.md       (技能定义)
    └ config.json    (元数据/权限)

安装: openclaw skill install <path>
调用: Agent自动识别触发词 + 工具调用
Embedding推荐
免费模型: SiliconFlow BAAI/bge-m3
  ├ 中英文混合支持
  ├ 免费额度足够个人使用
  └ API: https://api.siliconflow.cn/v1
多渠道部署

支持平台: Telegram / Discord / Slack / WhatsApp / Twitter / 微信(第三方桥接) / WebChat / CLI
不支持: 飞书 (需自行开发Gateway插件)

🐉 龍魂对标
OpenClaw特性龍魂实现
memoryFlush🟡 缺自动Flush,需手动写入memory
子Agent并行🟢 Task tool + team mode
Skills系统🟢 use_skill + L2_技能层/
Embedding🟡 未引入语义向量检索
多渠道🟡 仅CLI + Web主控页

2.5 🌐 OpenClaw 官方架构 (docs.openclaw.ai)

Chat apps + plugins → Gateway → OpenClaw agent
                                  ├ CLI
                                  ├ Web Control UI
                                  ├ macOS app
                                  └ iOS/Android nodes

关键特性:

  • Gateway: 会话、路由、频道连接的唯一可信源
  • 多智能体路由: 按智能体/工作区/发送者隔离会话
  • 自托管 + MIT许可 + 社区驱动
  • 媒体支持: 图片/音频/文档收发
  • 移动节点: iOS/Android配对 → Canvas/相机/语音工作流

三、跨体系融合分析

3.1 记忆体系双塔对标

维度OpenClaw龍魂融合建议
架构三层(Context→Compaction→Files)两层(Working→Daily)龍魂增加Compaction自动压缩层
检索Vector 70% + BM25 30% + MMR文件直读(grep/read)可加向量检索作为降级方案
衰减e^(-λ×ageDays), halfLife=30η=T^(-α_τ), L0-L4五层双模体系: 日志用e^-λ, 规则用η=T^(-α_τ)
写入自动Memory Flush + 手动手动写入增加自动Flush触发
隐私本地文件+SQLite,不传云本地.codebuddy/memory/一致,无需改

3.2 自驱体系对标

维度OpenClaw龍魂
触发方式Cron心跳 + Loop循环语义路由 + 自驱判定
任务排程Heartbeat任务清单heartbeat.json
失败处理连续失败降级(3轮)🟡 缺降级机制
评估分离L0+L1+L2三层三色+五色审计
状态机显式LOOP状态机governance_engine

3.3 鸿蒙生态融合

龍魂系统
  ├ knowledge/device-ecosystem/ (鸿蒙13文件)
  ├ L2_技能层/skills/longhun-harmonyos-SKILL.md
  └ integrations/harmonyos/tongxinyi/
    ↓ + OpenClaw桥接
  ┌ 小艺语音入口 → 龍魂CLI
  ├ Agent Framework Kit → 龍魂API层
  └ OpenClaw Gateway → 龍魂集成层

3.4 关键公式对照表

场景OpenClaw公式龍魂公式关系
记忆衰减decayScore = score × e^(-λ×age)η = T^(-α_τ)幂律 vs 指数,可互补
混合检索0.7×vector + 0.3×text语义抽屉 + 精确匹配两轨平行
贡献评估—C = R·I·T^(-α_τ)龍魂独有
决策评分—D = Σ(规则源×权重-风险扣分)龍魂独有

四、龍魂系统可吸收的能力清单

优先级能力来源实现路径
P0Compaction自动压缩层三层记忆模型在memory系统中增加压缩触发+摘要生成
P0连续失败降级机制Loop五组件·智能调度governance_engine增加降级逻辑
P1混合检索 Vector+BM25记忆最佳实践引入text-embedding-3-small
P1自动Memory FlushmemoryFlushtoken阈值触发自动写入memory
P1显式LOOP状态机Loop Engineeringgovernance_engine.py重构
P1小艺语音入口桥接鸿蒙×OpenClawintegrations/harmonyos/增加小艺桥接
P2Skills插件市场对标Skills系统L2_技能层标准化
P2沙盒五层洋葱隔离Loop沙盒CNSH门禁增强
P2Heartbeat周期性任务增强心跳机制daemon增加cron任务能力

五、来源追溯

序号文章/来源作者日期URL
1图文手把手!小艺接入OpenClaw超简单VCS292026-03-11devpress.youkuaiyun.com/xclaw/69b3e2a80a2f6a37c597082d.html
2鸿蒙Agent Framework Kit接入OpenClaw老狼2026-03-05zhuanlan.zhihu.com/p/2012989910768955486
3OpenClaw 记忆系统最佳实践陈广亮2026-02-23jishuzhan.net/article/2026115349788295170
4OpenClaw 从中级到高级完整教程农夫运维2026-02-27cnblogs.com/nf01/p/19645571
5Harness→Loop Engineering企业级长程任务禅与计算机程序设计艺术2026-07-04aicoding.youkuaiyun.com/6a4899c410ee7a33f287d893.html
6OpenClaw 官方文档OpenClaw社区持续更新docs.openclaw.ai/zh-CN
7Loop Engineering行业分析新浪财经/搜狐2026-07-05多源
8龙虾开发者社区首页DevPress2026-07-08devpress.youkuaiyun.com/xclaw

六、融合验证

  • 六大知识域完整提取
  • 龍魂对标分析完成 (记忆/自驱/鸿蒙/公式四维度)
  • 8项可吸收能力按P0/P1/P2优先级排序
  • 8个原始来源完整追溯
  • 龍魂公式对照表建立
  • 跨体系融合路径规划

下一动作: 注册入网 → 联动感知 → 写入执行记录

PyTorch 面试题及参考答案(精选100道) 模块是 PyTorch 中用于自动求导的核心模块。它为张量上的所有操作提供了自动求导的功能。在深度学习中,反向传播是一种用于计算损失函数相对于模型参数的梯度的算法。通过梯度,我们可以使用优化算法(如随机梯度下降)来更新模型的参数,从而最小化损失函数。模块的主要作用就是自动计算这些梯度。当我们创建一个张量时,如果将其属性设置为True,那么 PyTorch 会跟踪该张量上的所有操作。在完成前向传播计算出损失函数后,调用方法,模块会自动根据链式法则反向传播计算出所有需要求导的张量的梯度。 阅读详情

相关推荐

瑞芯微RK3568开发板实战:Android11系统parameter.txt文件配置全解析(附常见问题排查)

本文深入解析了瑞芯微RK3568开发板在Android 11系统下parameter.txt文件的配置要点与实战技巧。作为BootLoader启动阶段的核心蓝图,该文件决定了硬件初始化、分区布局及电源管理。文章详细拆解了身份标识、GPIO控制(PWR_HLD)、命令行参数及分区表等关键字段的配置逻辑,并针对RK3568平台与Android 11特性提供了专项适配策略,最后附带了启动失败、分区异常等常见问题的深度排查方法。

php55的博客 900

龙虾开发者社区(xclaw) · OpenClaw生态深度学习融合 v1.0:把 settings 改到 TaoToken 的 AI Agent 接入实践

在 xclaw 社区做 OpenClaw 鸿蒙 AI Agent 接入,先把 settings 里 Base URL 改为 https://taotoken.net/api 并填入 Key 与 Model ID,再跑 curl 验证通道。TaoToken 统一模型通道,让鸿蒙端联调只改一处配置,避开 401 与 local proxy failed 报错。官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42577243的博客 207

Postman调试海康ISAPI接口全记录:从鉴权失败到成功修改设备名的踩坑指南

本文详细记录了使用Postman调试海康ISAPI接口的全过程,从鉴权失败到成功修改设备名的实战经验。涵盖Digest认证机制、XML请求体构造、常见错误排查及代码实现过渡,帮助开发者高效解决海康设备集成中的各种问题。

weixin_42620913的博客 666

龙虾开发者社区(xclaw) · OpenClaw生态深度学习融合 v1.0:TaoToken统一Key接入与本地验证

xclaw社区开发者用openclaw.json统一模型通道,把TaoToken作为OpenClaw生态唯一入口,一个Base URL、一个Key、一组Model ID即可让Agent对话、编码、摘要复用同一配置。本文提供可复制配置片段、curl与Python验证脚本,并对照401、local proxy failed、reading 'choices'等高频报错给出排查动作,帮助深度学习流水线快速跑通。详见 https://taotoken.net/?utm_source=taotoken_aicg_bl

weixin_42607969的博客 2

InsightFace实战:如何在树莓派上部署轻量级人脸识别系统(附完整代码)

本文详细介绍了如何在树莓派上部署基于InsightFace框架的轻量级人脸识别系统。通过硬件选型、环境配置、模型优化(如MobileFaceNet)及完整代码实战,指导开发者构建本地化、低功耗的智能应用,如智能门铃,并提供了性能调优与系统服务化的进阶技巧。

weixin_29043895的博客 352

肺癌术后随访离散选择实验(DCE)设计与SAS实现

随着肺癌早期诊断和治疗技术的进步,肺癌患者的生存率显著提高,术后随访管理成为提升患者生活质量的关键环节。然而,如何在有限的医疗资源下设计出既符合患者需求又具有成本效益的随访方案,是临床决策面临的重要挑战。 离散选择实验(Discrete Choice Experiment, DCE)是一种定量研究方法,通过模拟真实世界的选择情境,测量患者对不同随访方案属性的偏好程度。本研究旨在通过DCE方法,系统评估肺癌术后患者对随访服务的偏好,为制定以患者为中心的随访策略提供循证依据。

huanghm88的专栏 101

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 239

医院批量排班实战指南(三)日期列表生成与时段批量操作

在上一篇《批量排班功能实现指南(二):日期与时段设置》中,我们完成了日期范围选择和重复规则配置的界面搭建,实现了从第一步到第二步的跳转功能。现在我们已经可以选择日期范围和重复规则,但还缺少最关键的功能——根据规则生成日期列表并进行时段配置。本篇将继续深入批量排班的核心功能——日期列表生成与时段批量操作。根据日期范围和重复规则智能生成日期列表为每个日期配置上午、下午、夜诊时段批量时段操作提升配置效率日期列表的展示与管理。

低代码布道师的博客 1348

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 979

【中项】案例分析 | 答题技巧 | 备考 

对偏差原因的分析和对项目未来趋势的理解。如果偏差是由一次性事件或特殊原因引起的,那么这种偏差是非典型的,意味着未来的绩效将回归到预期的绩效水平。例如,如果项目初期的CPI小于1,原因是意外的自然灾害导致成本增加,那么这种偏差被认为是非典型的,因为它不太可能在未来重复发生。例如,如果项目初期的CPI小于1,且原因是低效的团队协作,那么这种偏差被认为是典型的,因为它可能在整个项目生命周期中持续存在。在实际应用中,项目经理通常会结合CPI、SPI和偏差趋势图等工具,综合分析偏差的性质,以制定合理的项目控制策略。

静谧、淡雅 1249

【人工智能之深度学习】21. 自动驾驶感知实战:YOLOv4复杂天气优化方案(BDD100K全代码+效果对比)

摘要:自动驾驶摄像头在雨雾天气下易受图像模糊、目标遮挡影响,导致YOLOv4检测精度骤降。本文基于BDD100K公开数据集(含多天气场景),设计三阶段优化方案:1)物理建模生成雨雾效果(雨滴线条+大气散射模型),将恶劣天气样本占比从20%提升至40%;2)在YOLOv4颈部嵌入CBAM注意力机制,强化模糊区域特征提取;3)L1剪枝(30%)+TensorRT量化实现轻量化。需特别说明:本文为教学虚拟案例,不可直接用于车载部署,实际落地需结合多传感器融合与ISO 26262认证。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1689

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 158

【STK】手把手教你利用STK进行弹道导弹和运载火箭发射仿真的相关方法全过程解析

写这个系列主要是这几年做了一些弹道导弹和运载火箭发射的相关仿真项目,stk软件由于其专业性在国内比较小众,相关的教程和书籍、经验贴都不是很多,因此新手在进行开发中容易遇到较多困难,把自己的一些经验体会写下来,一方面供自己总结回顾,另一方面也希望对大家有所帮助。这个系列计划分几篇文章写完,每章的内容结构相似,都分为①如何确定发射场位置和发射轨迹、②导入导弹和运载火箭模型、③设计模型分段动作、④飞行参数分析和相关应用这四个部分,每篇文章争取完整描述1-2个实际项目的操作过程。

weixin_44184852的博客 5992

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 232

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/

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 427

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 398

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 161

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 295

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 187

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 336

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 221

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 519

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 335

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 213

AI 学习第 14 课:CNN 训 6 轮卡在 0.5352,数据没打乱

第 13 课把 Conv2d 的参数量和池化后的尺寸算清了,这课把卷积块拼成一个能训练的完整网络,跑满 6 个 epoch。第一版直接卡死:loss 从 2.6104 掉到 0.6989 就再也不动,

aifannihao的博客 252

深度学习基本原理:从数学基础到神经网络训练

深度学习训练的核心,是先确定模型结构,再通过前向计算得到损失,利用链式法则和反向传播计算梯度,最后借助优化器与学习率不断更新参数。真正理解这条链路,后续学习更复杂的网络结构才有可靠的基础。

chh563的博客 171
上一篇: 龍魂鸿蒙技能 · longhun-harmonyos SKILL.md v1.0
下一篇: 龍魂 · 记忆压缩引擎 v1.0 — Memory Compaction Engine (OpenClaw三层记忆模型吸收)
龍芯北辰UID9622
博客等级 码龄163天 5粉丝 501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