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
300+累计阅读
345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
未完。。
工业互联网及边缘计算
工业互联网 ###工业互联网概述 我所理解的工业互联网，就是设计，生产，销售等全部工业流程，其当前状态，所进行到的步骤，还有进行的效率，出现的种种问题，把这些信息的数据统统通过传感器进行数字化，进行关联汇总，再通过互联网，上传到云端，在这个过程中再经过系统的计算，把这些数据处理成直观，有条理的信息，使用户可以仅仅通过一台电脑，甚至一台手机，即可对整个设计，生产，销售等流程了如指掌，并且可以通过互联网直接对某一个流程，提出指令，进行修改等操作。 ###工业互联网与5G 工业互联网系统非常适用于当前我国正在研发
我所理解的工业互联网
（1）从国家战略来说 我个人理解的国家级战略是四层体系，层层支撑： 1、运营层：工业互联网。企业与企业之间联网，利用联网、大数据、机器学习，让产业资源能够最大化地有效利...
关于工业互联网的概述及意义
工业互联网是指将传统制造业与互联网技术相结合，实现设备之间的连接和数据的传输与共享。它通过物联网技术、云计算、大数据分析等手段，实现了设备之间的智能化、自动化和协同化。工业互联网的出现，为制造业带来了巨大的变革和机遇，可以提高生产效率、降低成本、优化供应链等。同时，它也面临着数据安全、技术标准、人才培养等挑战。工业互联网已经成为推动制造业转型升级的重要力量。
如何理解、实践工业互联网+
工业互联网是美国以GE为首的企业联盟提出的，其核心是发挥数据采集、互联网、大数据、云计算的作用，为工业企业节约至少1%的成本；而工业4.0是德国提出的，已经上升到国家战略。中国的两化深度融合和德国工业4.0如出一辙、异曲同工、殊途同归。作为制造业大国，中国需要看清科技与产业发展的大势，立足自身优势，发挥中国特长，才能把制造业大国变成制造业强国，在世界制造市场中占有更大的份额，并获得足够的话语权。
树莓派与ROS2
树莓派与ROS2（Robot Operating System 2）的结合使用为机器人开发、自动化控制以及物联网项目提供了强大的平台。
Xilinx XDMA IP核配置实战：AXI Memory Mapped vs Stream选型指南（附PCIe调试技巧）
本文深入解析Xilinx XDMA IP核配置中AXI Memory Mapped与AXI Stream两种DMA接口的核心区别与选型策略。针对PCIe高速数据传输场景，详细对比了二者在数据特性、延迟、硬件资源及软件复杂度上的差异，为FPGA工程师在数据采集、实时处理等项目中做出高效设计决策提供实战指南，并附有关键的PCIe调试技巧。
我国工业互联网已进入大发展时代
http://www.cac.gov.cn/2018-02/07/c_1122379945.htm 工业互联网作为新一代信息技术与制造业深度融合的产物，不仅能为制造业乃至整个实体经济数字化、网络化、智能化升级提供新型网络基础设施支撑，而且催生了网络化协同、个性化定制、服务型制造等新模式新业态，有力促进了传统动能改造升级和新动能培育壮大。当前，我国已形成比较健全的工业互联网产业体系，工业互联网应用正由家电、服装、机械等向飞机、石化、钢铁、橡胶、工业物流等更广泛领域普及 “2018年是全面实..
OpenVPN 新增 windows 客户端
虚拟私人网络（Virtual Private Network，简称VPN）是一种网络技术，它允许用户通过公共网络（如互联网）建立一个安全的连接通道。本文介绍如何添加 windows 客户端。
基于大数据的工业感知和网络控制技术综述
1工业感知和网络控制 随着物联网技术的发展，工业感知技术也不断进行进步，物联网包含感知层、网络层、应用层，所谓工业感知和网络控制，就是在工业生产过程中通过各种传感器对各个工业环节进行监测，获取数据，再通过局域网络将数据传输到应用端进行处理分析，最后对生产环节的优劣进行判断，最后做出决策，将动作施加在这些过程中，形成闭环系统对整个过程进行控制。控制网络（control network）是一
保姆级教程：在ROS2 Humble上搞定Livox Mid-360雷达，从IP配置到Rviz点云显示
本文提供在ROS2 Humble上配置Livox Mid-360激光雷达的完整教程，涵盖从IP设置到Rviz点云显示的全流程。详细解析硬件连接、驱动编译、配置文件优化及常见问题排查，帮助开发者快速搭建开发环境并实现高效点云可视化。
Sentinel-1 Burst数据处理避坑实录：从aria2c报错到wget脚本救场
本文详细介绍了Sentinel-1 Burst数据处理的完整解决方案，从下载困境到高效处理技巧。针对aria2c报错等常见问题，提供了增强版wget脚本和智能分组方法，显著提升下载成功率和处理效率，特别适合科研机构和企业级网络环境下的哨兵数据处理需求。
工业互联网概述
工业互联网作为新一轮工业 革命的重要基石，是数字技术和实体经济深度融合的关键支撑，是新型工 业化的战略性基础设施和重要驱动力量。
AutoSAR_BSW高阶 7. Signal Group 信号组
Autosar BSW的高级配置是实现复杂汽车电子系统的关键步骤之一。通过合理配置信号组和使用适当的参数，您可以提高系统性能，确保数据的可靠传输。在本博客中，我们深入探讨了信号组的概念和高级配置参数，并提供了示例代码，希望这些信息能够帮助您更好地理解和应用Autosar BSW的高级配置。如果您在配置过程中遇到任何问题，不妨寻求专业支持，以确保您的汽车电子系统能够顺利运行。Autosar COM 模块是一个广泛应用于汽车行业的关键技术，它使不同的电子控制单元能够有效地通信和协作。
工业互联网 第1章 什么是工业互联网？
1. 什么是工业互联网 工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的一种结果。 工业互联网的本质是通过开放的、全球化的工业级网络平台把设备、生产线、工厂、供应商、产品和客户紧密地连接和融合起来，高效共享工业经济中的各种要素资源，从而通过自动化、智能化的生产方式降低成本、增加效率，帮助制造业延长产业链，推动制造业转型发展。 工业互联网作为『新基建』的核心要素，是消费互联网之后又一波大的时代浪潮，更是无数企业押注下一个增长点的热门选项。 2020年到来之后，尽管国家和产业各界的
Java炫酷烟花③（完整代码）
Java语言实现炫酷烟花动画的完整代码。 下载代码 下载链接：我是一只有趣的兔子，感谢你的喜欢。
使用蒙特卡洛模拟方法在MATLAB中估算居里温度: 一个详细而通俗的指南
居里温度是磁性材料失去磁性的温度。但是，计算机模拟为我们提供了一个在理论和实验之间的桥梁，使我们能够在不进行实际测量的情况下估计这一重要参数。在下一部分，我们将详细介绍蒙特卡洛迭代的核心代码，以及如何使用它来模拟磁性材料中原子的行为。在估算居里温度的上下文中，我们将使用蒙特卡洛方法来模拟磁性材料中的原子或分子的行为。通过使用蒙特卡洛方法，我们可以在MATLAB中估算居里温度，从而为理论研究和实验设计提供有价值的信息。：我们使用的是一个有限的尺寸的网格模型，这可能导致一些大小效应，特别是在接近居里温度时。
工业互联网的两种极端想法和两点反思
目录 1.概述 2.两种极端想法 3.两点反思 1.概述 最近走访了很多企业，涉及到的行业包括：军工、特钢、有色、加工制造（海洋钻井平台）、建材、纺织等，在与不同的行业交流的过程中，我发现一个特点：他们大多过分强调自己所在行业的难，而轻视其他行业。这是自我感知的正常现象，但是我认为也正是这个现象造成了企业或是行业无法持续进步的原因。因为聚焦到个人的话，也可能出现过分强调个人或是专业的重要，而忽视其他人或是专业的重要性。 ...
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
什么是工业互联网
工业互联网作为全新工业生态、关键基础设施和新型应用模式，以网络体系为基础、平台体系为枢纽、安全体系为保障，通过人、机、物的全面互联，实现全要素、全产业链、全价值链的全面联接，推动传统产业加快转型升级、新兴产业加速发展壮大。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
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")
工业互联网(一):工业互联网的发展背景
本文是工业互联网的背景阐述，希望给大家做一个科普，是本作者的原创文章，搜集整理难度非常的大。
【深度】从GE工业互联网到中国工业互联网
来源：数字化企业工业互联网自2017年起已成为国内科技界最为火爆的词汇之一。学者、供应商、投资商、企业家、媒体、政府官员、人大代表、政协委员等纷纷给出了自己的解读。一、背...
认识工业互联网
来源：智汇工业摘要：工业互联网是实现智能制造的抓手，推动工业互联网是长期的工作。工业互联网分为广义的工业互联网和狭义的工业互联网。广义的工业互联网就是第四次工业革命的代名...
什么是工业互联网？
此文用于软件开发者快速了解工业互联网基础知识
初识工业互联网
近年来工业互联网概念很火，博主作为工业互联网行从业人员，就来带大家初步了解什么是工业互联网。
工业互联网的内涵及其应用
首先解释以下为什么会出现这篇文章：前几天突然在网上看到了“工业互联网”相关的信息，然后之后呢还比较感兴趣就深入的了解一下其中的奥妙，然后就把自己的一些感悟总结了一下，这篇文章就随之诞生了。 纯属个人观点的分享，如有错误，欢迎大家的指正。下面开始正文内容： 在百度百科上对工业互联网有这样的一个定义： 工业互联网（Industrial Internet）是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态，通过对人、机、物、系统等的全面连接，构建起覆盖全产业链、全价值链的全新制造和服务体系
工业互联网的前世今生 | 初探工业互联网
乍听到工业互联网这个词，相信很多对这方面了解不多的人都会马上产生以下一连串疑问。 到底什么是工业互联网？和我们传统的互联网、移动互联网有什么不同？ 谁最早提出的这个概念？ 工业互联网可以做什么？能带来什么经济和社会价值？ 为了能够帮助大家解答这些疑问， 我们将会用几篇文章，由浅入深的给大家讲解工业互联网的前世今生，而今天的这篇文章将初探工业互联网的概念和来源。 1、什么是工业互联网？和互联网，...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1670
扫一扫
