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
400+累计阅读
450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
Pix4D是一款功能强大的点云处理软件，用于处理航空摄影、激光扫描和无人机数据等。在处理点云数据时，我们常常需要考虑到地球的曲率和坐标系统的影响。其中一个重要的考虑因素是中央子午线的细化设置，它对于保证数据的准确性和精度至关重要。
中央子午线是指经过地球两极的线，通过该线将地球分为东半球和西半球。在点云处理中，我们需要确定数据所处的地理坐标系统，并根据实际应用需求进行相应的细化设置。
在Pix4D中，可以通过以下代码示例来设置中央子午线的细化参数：
# 导入Pix4D模块
import pix4d
# 创建项目
project = pix4d.Project()
# 设置坐标系统
project.set_coordinate_system('WGS84'YOLO26算法水面与液体识别+训练好的模型+393张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 52 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.8528** mAP50-95 | 0.3441 Precision | 0.7729 Recall | 0.8354 train/box_loss | 1.5367 train/cls_loss | 1.0228 val/box_loss | 1.6809 val/cls_loss | 1.1758 【训练过程分析】 我这次训练了52个周期，模型在训练初期确实收敛速度很快，前20个周期mAP50从0.74逐步提升至0.82，这说明模型开始适应数据集，学习到一些关键特征。但到第30个周期后，提升速度逐渐放缓，到了40个周期时，mAP50达到0.85，这个阶段的曲线走势有些像磨砂玻璃，平滑且不规则，后期更是趋于平缓，表明模型可能已经达到最优解，再继续训练可能会有少量提升但代价较大。整体而言，从loss曲线来看，训练集的box_loss和cls_loss在52个周期内分别从1.80和1.25降到1.54和1.02，下降曲线较为稳定，但到了后期，这两项指标下降幅度逐渐减缓，尤其cls_loss下降至1.10左右后趋于稳定，这可能是模型对训练数据已有了较强的泛化能力，但也提示我们分类的稳定性可能还欠些火候。 至于验证集的表现，box_lo... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
C#西门子上位机与PLC通讯++S7协议
支持S7-200,S7-300,S7-1200,S7-1500+使用技术C#+S7net
MATLAB模拟6自由度无人机检查，具备干扰补偿、裂纹检测和自主复检功能。.zip
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
AI大模型医学影像诊断智能识别应用方案.pptx
AI大模型医学影像诊断智能识别应用方案.pptx
智能驾驶智慧交通行业智算中心（AIDC）建设规划方案.pptx
智能驾驶智慧交通行业智算中心（AIDC）建设规划方案.pptx
LLC谐振变换器恒压恒流双竞争闭环控制simulink仿真（附说明文档）
内容概要：本资源是一套面向电力电子与智能控制领域的综合性科研仿真资料合集，核心聚焦于LLC谐振变换器的恒压恒流双竞争闭环控制策略设计与Simulink建模仿真实现，涵盖半桥LLC、双向全桥LLC等拓扑结构的调频闭环仿真，并提供详尽的说明文档与PPT辅助材料。资源体系不仅深入呈现LLC变换器的动态响应与控制逻辑，还扩展至双有源桥（DAB）变换器的软开关协同优化、最小应力控制、EPS调制策略及新扩展移相角优化等前沿技术，同时集成三相PWM整流器在电网不平衡条件下的功率平衡控制、VOC+SVPWM双闭环控制等典型应用场景。此外，资源包涵盖状态估计（如EKF、UKF、PF）、微电网经济调度、卡尔曼滤波融合、神经网络控制、PID优化、储能系统管理等多个交叉方向，特别强调对顶级EI期刊研究成果的高精度复现，旨在帮助科研人员快速掌握先进控制算法的核心思想与仿真实现方法。; 适合人群：电气工程、自动化、电力电子、新能源科学与工程等相关专业的硕士博士研究生、高校科研人员，以及从事新能源变换器、智能电网、电动汽车、微电网系统研发的工程技术人员。; 使用场景及目标：① 深入理解LLC与DAB变换器的闭环控制机理，掌握恒压恒流切换、软开关实现与损耗优化方法；② 利用Simulink平台构建复杂电力电子系统模型，开展动态性能分析与控制器参数整定；③ 复现高水平期刊论文中的先进控制策略，提升科研创新能力与论文发表竞争力；④ 支持毕业设计、科研课题、项目申报及工程原型开发中的仿真验证环节。; 阅读建议：建议结合提供的完整资源目录循序渐进学习，优先研读标注“顶级EI复现”的案例以获取权威方法参考，配合MATLAB/Simulink动手搭建模型，重点关注控制框图设计、调制逻辑实现与仿真结果对比，深入理解算法背后的物理意义与数学推导过程。
概率神经网络的分类预测-基于PNN的变压器故障诊断（Matlab代码实现）
内容概要：本文系统阐述了基于概率神经网络（PNN）的变压器故障诊断方法，结合Matlab代码实现分类预测。通过提取变压器运行过程中的关键特征参数，构建PNN模型以实现对正常状态与典型故障状态（如绕组短路、铁芯故障等）的高效分类识别。文章深入剖析了PNN的网络结构、概率密度估计原理、训练机制及分类决策过程，并通过仿真实验验证了该方法在故障诊断任务中具备较高的准确率与鲁棒性，展现了其在电力系统状态监测与智能运维中的良好应用前景。; 适合人群：具备一定机器学习理论基础和Matlab编程能力的电气工程、自动化、智能电网等相关领域的研究生、科研人员以及从事电力设备状态监测与故障诊断工作的工程技术人员。; 使用场景及目标：①实现变压器早期故障的智能化诊断与预警，提升电力系统运行安全性；②为基于神经网络的工业设备故障分类任务提供可复现的算法实现范例与技术验证平台； 阅读建议：建议读者结合文中提供的Matlab代码，动手复现实验流程，深入理解PNN在实际分类问题中的参数配置、训练策略、性能评估方法，并鼓励将该方法迁移至其他电力设备或机电系统的故障诊断场景中进行拓展研究与优化改进。
优快云首页 发布文章 优快云同步助手 多无人机面向城市空中交通的多无人机路径规划研究（Matlab代码实现） 37 100 摘要：会在推荐、列表等场景外露，帮助读者快速了解内容，支持
内容概要：本文围绕面向城市空中交通的多无人机路径规划问题展开研究，系统阐述了该领域的核心挑战与关键技术。文章首先定义了多无人机路径规划的问题，明确了包括飞行安全、避障、协同效率在内的多项约束条件与性能指标。随后，重点介绍了三大类路径规划方法：基于改进RRT算法和图论的全局路径规划方法，用于构建初始可行路径；基于动态风险场的模型预测控制和动态窗口法（DWA）的动态避障方法，以应对环境中的突发障碍；以及多无人机协同规划策略和分布式协同控制算法构成的局部协同调整方法，确保多机间的飞行安全与任务协同。研究通过搭建Matlab仿真实验平台，设计了多种复杂城市飞行场景，对所提方法进行了全面的仿真验证与结果对比分析，展示了各方法在不同场景下的有效性与优劣。; 适合人群：具备一定自动化、计算机或航空航天领域基础知识，从事无人机、智能交通、路径规划等相关方向研究的研发人员和研究生。; 使用场景及目标：①为城市空中交通管理系统（UATM）的设计与开发提供理论基础和技术参考；②应用于物流配送、城市巡检、应急救援等多无人机协同任务的路径规划算法设计与仿真验证；③作为相关领域科研工作的技术参考资料，推动多智能体协同决策与控制技术的发展。; 阅读建议：建议读者结合文中提供的Matlab代码进行实践操作，通过复现仿真结果加深对各类算法原理与实现细节的理解。在学习过程中，应重点关注全局规划与局部避障的结合机制，以及多机协同策略中的冲突消解逻辑。
无刷直流电机BLDC转速电流双闭环+无位置传感器控制仿真【仿真+详解说明报告+参考文献】
内容概要：本文详细介绍了一套针对无刷直流电机（BLDC）的Simulink仿真资源包，核心内容涵盖转速电流双闭环控制与无位置传感器控制技术，重点采用滑模观测器（SMO）实现对转子位置与速度的精确估算，避免了物理位置传感器带来的成本与可靠性问题。资源包提供了多个高质量仿真模型，包括基于模糊PID与传统PID控制策略的对比分析、无感控制结合滑模观测器与双闭环PI控制的综合系统等，全面展示不同控制算法在动态响应、抗干扰能力及稳态精度方面的性能差异。所有模型均基于Matlab/Simulink平台构建，配套详尽的技术说明文档与参考文献，深入解析控制结构设计、观测器原理、参数整定方法及系统稳定性分析，适用于电机驱动系统的研究、教学演示与工程验证。; 适合人群：面向电气工程、自动化、控制科学与工程及相关专业的本科生、研究生、科研人员和工程技术人员，尤其适合从事电机控制、电力电子与运动控制系统研究的专业人士，具备自动控制理论基础和Matlab/Simulink基本操作能力者更易上手。; 使用场景及目标：① 深入学习并掌握无刷直流电机双闭环调速系统的工作原理与无位置传感器控制的关键技术；② 对比研究模糊PID与传统PID在电机控制中的动态性能与鲁棒性差异；③ 开展滑模观测器在非线性系统状态估计中的建模与仿真研究；④ 支持课程设计、毕业设计、科研项目申报及学术论文复现等实际应用场景。; 阅读建议：建议用户结合提供的详解说明报告，逐步运行各仿真模型，重点关注控制器参数调节过程、滑模观测器的设计细节及其收敛性表现，深入分析系统启动、负载突变、转速切换等工况下的响应特性，鼓励在此基础上进行控制算法改进、引入新型观测器或拓展至其他电机类型进行创新性研究。
【Anaconda】conda国内镜像源快速配置指南（清华/阿里云）
本文详细介绍了如何为Anaconda配置国内镜像源（清华/阿里云），以显著提升conda包下载速度并减少安装失败率。通过分步指南和实用技巧，帮助开发者快速完成配置，优化Python开发环境。
inferCNV包安装问题及解决办法
InferCNV是一个由broad研究所开发的，利用单细胞转录组数据分析肿瘤细胞拷贝数变异（CNV）的工具。基本思路是在整个基因组范围内，通过计算肿瘤细胞关于参考的“正常”细胞的相对表达，利用滑窗思想对邻近的基因相对表达，计算拷贝数。 先贴一个官方安装说明： 官方infercnv安装说明 安装infercnv包： if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager:
set_output_delay的本质
set_output_delay的本质
【客户案例】母婴行业头部品牌是如何做私域的
各品牌争相跑马圈地，想方设法圈住流量，建立品牌资产；私域运营是一项“重人力”的工作，在传统的品牌运营过程中，私域操盘手经常会由于一对多导致无法兼顾，只能通过提高触达次数的方式加大漏斗，这样难以让每个社群都发挥出应有的价值，甚至还会导致一定程度的用户流失。除了宝妈身份外激发的用户认同感、亲密度外，KOC们作为产品的使用者，自由选择的推品和自由创作的推广文案都更具有真实性、代表性，能够极大程度激发群友们的信任感，从而愿意为产品买单，转化复购水到渠成。不同阶段的宝妈，母婴知识的储存量和经验是不同的，K品牌还会。.
Ubuntu22.04下，用Fast-LIVO2+3DGS重建桌面小物件：从点云到高清模型的保姆级避坑实录
本文详细介绍了在Ubuntu22.04环境下，使用Fast-LIVO2与3DGS技术进行桌面小物件三维重建的完整流程。从环境配置、数据采集到点云-图像对齐和3DGS训练，提供了针对小物件优化的参数设置和避坑指南，帮助用户实现媲美商业扫描仪的高清模型重建效果。
Feature ‘alsa‘ was enabled, but the pre-condition ‘config.unix && !config.qnx && libs.alsa‘ failed解决
这个问题主要是Qt多媒体插件中缺少了ALSA音频库，所以我们需要自行先编译ALSA 在执行./configure的时候，配置项中ALSA为no Qt Multimedia: ALSA ................................... no GStreamer 1.0 .......................... no GStreamer 0.10 ......................... no Video for Linux .............
适航规章、标准，书籍资料下载汇总（更新中）
以下是一些收集到的适航相关的资料，分享给大家。（如果没有你想要的资料，请留言，等找到会及时更新！
基于STM32的智慧农业大棚监测与控制系统设计与实现
摘要：本文设计了一种基于STM32F103C8T6单片机的智慧农业大棚监测与控制系统，集成多参数环境监测、智能控制和远程管理功能。系统可实时采集光照、CO2、温湿度和土壤湿度等参数，通过OLED显示并采用双模式控制机制：自动模式下根据阈值调节设备，手动模式下支持APP或按键控制。通过ESP8266模块接入机智云平台实现数据云存储和远程控制。测试表明系统具有高精度（温度±0.5℃、CO2±50ppm）、快速响应（<2s）和稳定运行（30天无故障）等特点，有效解决了传统大棚调控不及时等问题。创新点包括多参
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
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
1486
扫一扫
