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
420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
我们从一个具体场景开始。假设你手里有一个量子比特，它的状态由布洛赫球上的一个点表示。你想让这个点转个角度，于是施加一个微波脉冲。听起来简单对吧？但问题来了：旋转操作不是随便一个矩阵就能胜任的，它必须保持概率总和为1，也必须保持内积结构不变。满足这些条件的矩阵集合，恰好构成一个群。如果我们想系统性地理解所有允许的操作，群论就成了无法绕开的语言。
别急，听起来抽象对吧。我们可以把群想象成一个操作手册，里面列出了所有合法变换的登记册。拓扑则负责回答另一个问题：两个操作能不能连续地互相变形？这在容错量子计算里至关重要，因为噪声引起的偏差本质上就是一种连续变形。
现在我们已经了解了动机，接下来看看本文要攀登的三座山峰。第一座是特殊酉群，它描述单量子比特的所有保范变换；第二座是克利福德群，它是量子纠错和稳定子形式主义的基石；第三座是同伦类，它揭示这些变换空间的全局形状。在继续之前，让我们先通过一张总体结构图建立全景认知。
国央企创新负责人在推动内部技术成果转化与外部协同创新时，如何实现资源的高效整合与协同联动？.docx
国央企创新负责人在推动内部技术成果转化与外部协同创新时，如何实现资源的高效整合与协同联动？
机器人入门实战：用 ROS2 和 Gazebo 先把差速车 URDF 跑起来，再做一版 SLAM 建图（含教学手册与源码骨架）
原创教学资源包（VIP专属）。围绕机器人开发项目实战搭建可复现闭环：用差速车 URDF 把 base_link、左右轮和激光连杆的关节树写自洽，配一间教学库房的 Gazebo 世界与 launch 骨架；再提供一版合成二维占用栅格建图，对比纯里程计写入和扫描匹配修正，用来分辨 odom 系漂移与 map 系 SLAM 输出。内含中文实战手册与可 make 抽检的 ROS 2 源码骨架。实现均为教学桩，注释标明不是完整 Navigation2 栈，不能替代实机传感器标定，也不是 Cartographer / slam_toolbox 的生产方案。 使用方法：解压后进入 src/ 目录（需 Linux、Python 3；不必安装 ROS 2 或 Gazebo 也能抽检）。先执行 make clean && make test，或运行 python3 scripts/smoke_test.py，看到 ALL SMOKE TESTS PASSED 后再阅读手册.md、README.md 与源码注释。若本机已安装 ROS 2 Humble/Jazzy 与 Gazebo，再把 src/diffbot_slam_tutor 放入工作空间，按 README 中「读者本地环境再跑」的 launch 命令启动仿真。细节见手册.md 与 src/README_SRC.txt。 适合作为成长任务「机器人开发项目实战」的自制合规 VIP 资源上传。建议售价 9.90 元。模型与数据均为虚构示例，不含刷量、搬运或真实个人信息。
两路半桥LLC谐振变换器软开关Simulink仿真（模拟谐振参数不同、分裂电容）
内容概要：本文介绍了“两路半桥LLC谐振变换器软开关Simulink仿真”资源包，重点在于基于Simulink平台对两路半桥LLC谐振变换器进行高精度建模与动态仿真，特别考虑了谐振参数不一致及分裂电容等非理想工况对系统性能的影响。该仿真模型不仅涵盖了主电路拓扑、软开关实现机制与谐振网络设计，还深入分析了不同参数配置下系统的启动特性、稳态效率、动态响应及软开关条件的满足情况。通过参数扫描与对比仿真，帮助用户掌握LLC变换器的关键设计要素与优化方法，具备较强的工程指导价值和科研教学意义。; 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师生，以及从事高频开关电源、新能源变换器、车载充电机等领域的研发工程师和技术人员。; 使用场景及目标：① 掌握两路并联半桥LLC谐振变换器的建模与仿真方法；② 理解软开关技术在提升变换器效率与降低EMI方面的关键作用；③ 分析谐振参数偏差与分裂电容结构对系统均流特性、增益曲线及软开关范围的影响；④ 支持科研项目中的拓扑验证、控制策略开发与故障工况分析； 阅读建议：建议结合Simulink仿真模型与配套说明文档进行学习，重点关注谐振腔参数设置、驱动时序设计及软开关波形观测；可通过调整谐振电感、电容值或引入参数失配，观察系统行为变化，深入理解LLC变换器的稳定边界与优化设计原则。
双向全桥CLLC谐振变换器仿真模型（Simulink仿真实现）
内容概要：本文系统介绍了双向全桥CLLC谐振变换器的Simulink仿真模型，重点阐述了变频控制、闭环仿真及其与多种电力电子拓扑（如维也纳整流器、DAB变换器、图腾柱PFC等）的联合仿真设计。资源包涵盖2.5kW双向全桥LLC、V2G电动汽车充放电系统、三相PFC、多相交错LLC等多种变换器的仿真案例，并深入展示了三电平VIENNA整流器在双闭环PI控制与SVPWM调制策略下，结合上下电容电压差值补偿实现中点电位平衡的先进控制方法。通过仿真验证，该策略不仅有效维持了800V直流母线电压的稳定，还在动态工况下显著提升了电容电压的均衡度，同时保持了较低的输入电流THD，充分体现了SVPWM与中点平衡控制协同优化的技术优势。; 适合人群：具备电力电子与自动控制理论基础，从事新能源发电、电动汽车、工业电源、微电网等领域的研究生、工程师及科研人员。; 使用场景及目标：① 学习并构建高频谐振变换器（如LLC、CLLC）的Simulink仿真模型，掌握其变频与混合控制策略；② 深入理解并应用中点电位平衡、双闭环PI控制、SVPWM调制等核心技术于VIENNA等三电平变换器中；③ 复现高水平期刊论文中的控制算法，服务于科研项目申报、学术论文撰写或工程产品开发。; 阅读建议：该资源为综合性仿真资料库，建议使用者结合自身研究方向（如电动汽车充电、新能源并网）选择对应案例进行精学，重点关注控制策略的设计逻辑、仿真参数的整定方法以及SVPWM与中点平衡的协同机制，并充分利用附带的计算书和参考文献深化理解，以实现从仿真模型到实际工程应用的顺利转化。
全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型（Simulink仿真实现）
全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型（Simulink仿真实现）
虚拟同步发电机（VSG）惯量阻尼自适应控制仿真模型（simulink仿真实现）
内容概要：本文提供了“虚拟同步发电机（VSG）惯量阻尼自适应控制仿真模型”的Simulink仿真实现方法，系统阐述了如何通过仿真手段研究VSG在电力系统中的动态响应特性，重点聚焦于其惯量与阻尼的自适应控制策略。文中详细说明了模型构建流程，涵盖控制算法设计、参数调节、根轨迹分析等内容，并通过对比不同调节系数下的系统响应，深入探讨了控制参数对系统稳定性与动态性能的影响。该仿真模型有效复现了VSG模拟传统同步发电机惯性与阻尼特性的能力，对于提升新能源并网系统的频率稳定性和抗扰动能力具有重要研究价值。; 适合人群：具备电力系统、自动化或相关领域基础知识，从事新能源并网、微电网控制、电力电子与电力系统仿真研究的研究生、科研人员及工程师。; 使用场景及目标：①用于教学与科研中深入理解虚拟同步发电机的工作原理及其在现代电力系统中的应用；②为新能源发电系统接入电网时的稳定性分析与控制策略设计提供仿真验证平台；③支持对VSG控制参数进行优化，提升系统应对负荷波动和扰动的能力。; 阅读建议：建议读者结合Matlab/Simulink软件动手实践，按照文档结构逐步搭建仿真模型，重点关注控制环路设计与参数整定部分，同时参考提供的代码与仿真结果进行对比分析，以加深对VSG自适应控制机制的理解。
两相交错并联Boost电路仿真模型（Simulink仿真实现）
内容概要：本文介绍了“两相交错并联Boost电路仿真模型（Simulink仿真实现）”的技术资源，属于电力电子变换器领域的仿真研究内容。该模型基于Simulink平台构建，旨在深入分析两相交错并联Boost电路的工作原理、动态响应特性及控制策略。交错并联结构通过错开各相开关管的导通时刻，有效降低输入电流纹波、提升系统效率与功率密度，适用于中高功率DC-DC变换应用场景。资源包含完整的主电路建模、PWM驱动信号生成、闭环控制器设计（如电压/电流双闭环控制）等关键模块，并可能涵盖软启动、均流控制等关键技术问题。整个仿真模型强调理论分析与工程实践的紧密结合，不仅有助于理解电路基本行为，也为优化控制算法提供验证平台，服务于科研与教学需求。; 适合人群：电气工程、自动化、电力电子及相关专业的高校本科生、研究生，以及从事电源系统研发的工程技术人员，具备一定的电路理论、自动控制原理和Simulink仿真基础者更佳。; 使用场景及目标：① 学习和掌握两相交错并联Boost电路的拓扑结构、工作机理及性能优势；② 利用Simulink进行电力电子电路的建模与仿真，深入理解PWM控制、闭环调节、均流控制等核心技术的应用；③ 为科研项目、课程设计或毕业设计提供可复用的仿真案例和技术支持，辅助开展中高功率电源系统的创新设计与优化研究。; 阅读建议：建议结合Simulink软件动手搭建并调试模型，通过调整占空比、开关频率、电感参数等变量，观察其对输入电流纹波、输出电压稳定性及动态响应的影响，以深化对电路特性的理解；同时可参考文中列出的其他相关资源（如LLC、PFC等仿真模型）进行横向对比学习，拓宽电力电子系统设计视野。
区域电网含风光火压缩空气储能抽水蓄能以及电化学储能的联合调度，加入IEEE39系统，进行潮流计算，分析电能质量研究（Matlab代码实现）
内容概要：本文研究了包含风能、太阳能、火电以及压缩空气储能、抽水蓄能和电化学储能等多种能源形式的区域电网联合调度问题，通过将系统接入IEEE 39节点标准测试系统，利用Matlab平台开展潮流计算与电能质量分析，旨在提升高比例可再生能源接入背景下电网运行的稳定性与供电品质。研究重点涵盖多类型电源与多种储能系统的协调优化调度策略设计，深入探讨储能系统在削峰填谷、平滑新能源出力波动方面的关键作用，并对复杂运行工况下电压偏差、频率波动、谐波污染等电能质量问题进行评估与改善。通过构建完整的仿真模型，系统性地分析了联合调度对电网电能质量的影响机制，为现代电力系统中多能互补与协同控制提供了理论依据和技术参考。; 适合人群：具备电力系统分析、优化调度及电能质量相关基础知识，熟悉Matlab/Simulink仿真环境的研究生、科研人员及电力系统相关领域的工程师。; 使用场景及目标：①为含多种储能的区域电网联合调度研究提供完整的Matlab仿真案例与开源代码参考；②分析大规模新能源接入对IEEE 39系统潮流分布及电能质量的综合影响，并定量评估不同类型储能系统的调控效果；③为电力系统优化调度、电能质量综合治理、多能协同控制等学术研究与工程项目提供可复现的技术支撑与解决方案。; 阅读建议：本资源以Matlab代码实现为核心，读者应在掌握电力系统基本理论的基础上，重点关注联合调度的数学建模过程、储能系统充放电策略的制定逻辑以及电能质量各项评价指标的计算方法。建议在学习过程中动手调试仿真代码，尝试调整系统参数、优化目标权重或改变新能源渗透率，以深入理解系统动态行为与控制策略的有效性。
2026最新基于Aria2下载器解决百度网盘限速问题
Aria下载器
港股十档行情tick数据，包含逐笔成交与买卖委托快照 逐笔记录含成交时间、价格、成交量、成交方向及委托单类型 十档委托快照提供买卖各十个价位的挂单价格与挂单数量，可观察盘口深度变化 分钟数据以一分钟为
港股十档行情tick数据，包含逐笔成交与买卖委托快照。逐笔记录含成交时间、价格、成交量、成交方向及委托单类型。十档委托快照提供买卖各十个价位的挂单价格与挂单数量，可观察盘口深度变化。分钟数据以一分钟为单位，包含开盘价、最高价、最低价、收盘价、成交量及成交额。历史行情覆盖近十五年，提供完整日线csv表格，字段包含日期、开盘价、最高价、最低价、收盘价、成交量、成交额，部分还包含调整因子或前收盘价。所有数据均为非实时历史数据。 数据源：CMES金融数据库
GD32F450以太网(2-2): PHY芯片IP101GR介绍
IP101是台湾省九阳电子公司生产制造的，符合IEEE 802.3/802.3u标准单端口快速以太网收发器100Mbps和10Mbps操作，它支持自动MDI/MDIX功能，简化网络安装和减少系统维护成本。支持Auto MDI/MDIX已内置4个49.9欧的精密电阻支持中断功能支持 MII/RMII 接口超低功耗
Python 包安装报错：ERROR: No matching distribution found for xxx 的全面排查指南
本文全面解析Python包安装时常见的`ERROR: No matching distribution found for xxx`报错。从检查包名拼写、网络与镜像源配置，到深入分析Python版本、操作系统等环境兼容性问题，提供了从简到繁的排查步骤。文章还介绍了使用`pip debug`、`-v`参数等高级诊断工具，并给出了更换包管理器、使用Docker等终极解决方案，帮助开发者高效解决依赖安装难题。
python毕设 基于Web的中药材信息查询系统程序+论文
***（程序+源码+数据库+调试部署+开发环境）论文文档1，文末可获取，系统界面在最后面。****
1006. 换个格式输出整数 (15)-PAT乙级真题
1006. 换个格式输出整数 (15)让我们用字母B来表示“百”、字母S表示“十”，用“12…n”来表示个位数字n（<10），换个格式来输出任一个不超过3位的正整数。例如234应该被输出为BBSSS1234，因为它有2个“百”、3个“十”、以及个位的4。输入格式：每个测试输入包含1个测试用例，给出正整数n（<1000）。输出格式：每个测试用例的输出占一行，用规定的格式输出n。输入样例1...
MSP430FR6043超声波传感器设计记录
1.前言 最近项目设计了一个超声波传感器 参考TI官方的板子EVM430-FR6043搭建的电路 EVM430-FR6043评估模块是一个用于评估MSP430FR6043 MCU性能的开发平台。 MSP430FR6043 MCU是一款超低功耗器件， 集成了超声波感测模拟前端 用于精确地进行超声波测量。 专为超声波水表、热量计和燃气表而设计， MSP430FR6043 器件采用低功耗加速器 (LEA)， 可实现基于高速 ADC 的信号采集以及后续优化数字信号处理， 为电池供电型计量提供了一款超低功耗、高
Electron - Electron failed to install correctly, please delete node_modules/electron and try install
Electron安装失败：Electron failed to install correctly, please delete node_modules/electron and try installing again，electron安装报错：Electron failed to install correctly...解决方案，Electron 未能正确安装，请删除 node_modules/electron，然后再次尝试安装，如何解决这个问题，手把手教你解决，在yarn dev时报错，electr
概率的接力：拆解大模型“预测下一个词“的底层逻辑
大模型的智能不在于它拥有了意识，而在于它用纯数学的架构，将人类语言的复杂结构压缩为可计算的向量轨迹与概率接力。当我们不再将其拟人化为"思考者"，而是视作高维条件概率引擎时，才能真正驾驭它。预测下一个词，从来不是终点，而是起点。未来的核心竞争力，属于那些能洞察其统计本质、善用其模式生成能力，并以人类理性与事实为锚点的协作者。词元的轨迹终会止步于上下文窗口，但对技术底层的清醒认知，才是跨越幻觉、走向真实智能的基石。
半小时搞定Yolov5安装配置及使用（详细过程）
Yolov51. 下载Yolov52. 安装Yolov5 在下载配置Yolov5前，先要安装好Anaconda环境，可参考之前博文：最新Anaconda3的安装配置及使用教程（详细过程） 1. 下载Yolov5 首先下载Yolov5源码： Yolov5 Github地址：https://github.com/ultralytics/yolov5 直接git clone到本地工作目录，等待下载完成： Yolov5代码目录架构： 2. 安装Yolov5 源码下完后，下面开始安装Yolov5所需模块，
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")
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
1万+
扫一扫
