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
408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
src目录：包含app所需的全部程序代码文件
gen目录：只关注R.java文件。
assets目录：存放资源，需要使用AssetsManager类进行访问。
libs目录：存放一些jar包，如v4，v7兼容包，或者第三方一些包
res资源目录：存放资源的。
drawable:存放图片资源
layout：存放界面布局文件
values：包含使用xml格式的参数的描述文件，如string.xml字符串。color.xml颜色。style.xml风格样式。
AndroidManifest.xml配置文件：系统的控制文件，用于告诉android系统app所包含的一些基本信息，比如组件，资源以及需要的权限，兼容最低版本的sdk等。
四自由度SCARA机器人的运动学和动力学MATLAB建模与仿真
本文介绍了四自由度SCARA机器人的运动学和动力学建模，使用MATLAB进行了相应的建模与仿真。通过正运动学和动力学分析，可以了解机器人在不同状态下的运动特性和力学特性。这为后续的控制算法设计和性能优化打下了基础。希望本教程对学习SCARA机器人有帮助。
Android相关部分总目录页
1. Android基础部分 2. Android视图动效部分 3. Android框架部分 4. Android源码分析部分
工作：三菱PLC与伺服之CC-Link IE Field Network通讯应用
CC-LINK-IE
alios是安卓吗_揭秘：阿里云OS和Android的主要区别是什么
如今网络机顶盒和智能电视预装系统已经被阿里云OS占据了半壁江山，相对于原生Android系统来说，阿里云OS因其高度定制化的统一解决方案等诸多优势受到了众多盒子及电视品牌青睐，很多盒子商品介绍时也会可以注明采用阿里云OS，也有特定的更新版本号，似乎，它并非基于Android系统，那么阿里云OS究竟是从何而来？它和Android原生系统有何区别呢？一起来看看。其实关于阿里云OS和Android之争早...
Agent Harness Engineering: AI Agent 执行管控与安全沙箱 原理与最佳实践
我们正站在计算范式转移的历史节点上。2024-2026 年间，AI 系统从被动的内容生成器（Generative AI）演变为主动的行动执行者（Agentic AI）。这一转变的根本特征是：根据 2026 年初的行业数据：然而，能力的提升伴随着风险的指数级增长。2024-2026 年间发生的多起标志性安全事件揭示了 Agent 系统的脆弱性：案例 1：Slack AI 数据外泄事件（2024 年 8 月）案例 2：制造业供应链攻击（2026 年 Q3）案例 3：Arup 深度诈骗案（2026 年 9 月）这
【Flutter 问题系列第 85 篇】Xcode 运行 Flutter 提示 The Dart VM Service was not discovered after 60 seconds.
在 Xcode 上运行 Flutter 时提示 `The Dart VM Service was not discovered after 60 seconds. This is taking much longer than expected...`，意思是 `60秒后未发现Dart虚拟机服务。这比预期的要长得多`
安卓专项测试之流量
流量是指连接网络的设备在网络上所产生的数据流量。 一般分为应用运行期间网卡的下行和上行流量 获取流量方法： 1、流量统计文件：读取读取/proc/net/dev文件 其中 lo 为本地流量, rmnet0为移动流量, wlan0为无线流量 另外网络上还有其他两种本地读取流量的方式 （1）在/sys/class/net/下可以找到相关类别(如rmnet0)的目录.在其子目录statistics下rxbytes和txbytes记录收发流量. （2）在/proc/uid_stat/{uid}/tcp_rcv记录
11、体内皮质功能的电压敏感染料成像技术
本文详细介绍了电压敏感染料成像（VSDI）技术在体内皮质功能研究中的应用。内容涵盖VSDI的技术起源、作用机制、信号特点与解读局限性，以及其在映射感觉皮质功能区方面的优势。文章对比了VSDI与电极记录和钙成像技术的差异，突出了其在高时空分辨率下监测神经元群体亚阈值活动的独特价值。同时，提供了完整的实验操作流程，包括手术步骤、染料应用、光学系统配置及数据分析方法，并总结了常见问题及其解决方案。随着基因靶向和多模态技术结合的发展，VSDI有望进一步提升信号特异性和空间精度，成为解析大脑网络动态的重要工具。
简单的记事本（SQLite+自定义adapter）
初学者学习android，做这个小demo时遇到过很多挫折。具体不说了。就简单的说一下这个demo的思路。1、写一个实体类，里面定义这个demo需要的内容，然后写getXX（）和setXX（）。 2、首先新建一个数据库类继承SQLiteOpenHelper。在这个类里面进行创建数据库，数据库版本，数据表。 3、然后新建一个类用来对数据库进行增删查改操作。 4、写一个适配器，是view能在lis
【OpenClaw从入门到精通】第34篇：医疗AI的“Agent OS”时代：基于WiseClaw构建医院专属智能体平台（2026实测版）
2026年医疗AI迈入实战落地新阶段，全球首个医疗OpenClaw平台WiseClaw正式发布，香港中文大学（深圳）医院完成业内首个私有化部署。本文基于真实医疗场景需求与公开技术资料，系统拆解医疗智能体平台的建设逻辑：从医疗Agent OS的五大核心特性切入，详解门诊病历质控、用药审查、医院运行管理三大临床场景的智能体搭建流程，提供完整的私有化部署代码、安全配置方案与实操演示。文章兼顾新手入门与进阶需求，严格遵循医疗合规要求，强调“只读不写+人工复核”原则，所有方案均经过虚拟实测验证。
【NodeRed】node-red-contrib-opcua实现PLC读写
在之前的博文【Node-RED】node-red-contrib-opcua-server模块使用（1）中，我们介绍了用node-red-contrib-opcua-server模块实现OPCUA服务端的，以及二次开发的内容。本节博文中我们采用官方社区自带的node-red-contrib-opcua组件开展对OPCUA客户端的介绍，详细阐述用该组件中OpcUa-Client节点实现客户端对PLC的读写，以及实现过程中遇到的问题。由于官方社区中并没有找到该组件的介绍实例，这也是本博文编写的第1个原因。
传感器--学习笔记
一、光照传感器 1、获取SensorManager实例： sensorManager= (SensorManager) getSystemService(Context.SENSOR_SERVICE); 2、利用实例调用getDefaultSensor方法得到任意的传感器类型： Sensor sensor=sensorManager.getDefaultSensor(Sensor.TYPE_
STM32实战开发（76）：STM32开发无线传感器网络（WSN）完整实现
本文介绍了如何基于STM32开发无线传感器网络，包括硬件选择、通信协议、系统设计和编程实现。通过STM32的强大性能和低功耗特性，我们能够构建高效、可靠的无线传感器网络。无论是Zigbee、LoRa、Wi-Fi还是BLE协议，STM32都能够与多种通信模块进行兼容，满足不同应用的需求。希望这篇文章能帮助您了解无线传感器网络的构建流程，并为您的项目提供有价值的参考。
listview中item点击无反应
我在做一个小小demo时遇到一个问题——listview中item点击无反应。在mainActivity中有一个button按钮，然后有listview布局，在listview中item设置了长按事件和单击事件，但运行结果就是item的点击事件不能触发。 解决方法一： 在listview中item的布局中将所有子控件focusable属性设置为false，这样listview的item会自动获
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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")
Notification学习（1）
1、首先需要一个NotificationManager来对通知进行管理，可以调用Context的getSystemService()方法获取到。getSystemService()方法接收一个字符串参数用于确定获取系统的哪个服务。String service=NOTIFICATION_SERVICE;//获取系统服务 NotificationManager notificationManager=
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/
Notification学习（3）--setLatestEventInfo cannot be resolved
当我用上两篇所讲到的内容去写一个demo时，就会有以下的提示： setLatestEventInfo cannot be resolved 我上Stack Overflow查左一下原因，原来是版本问题。 我按照网上所给出的方法更改了一下代码。以下代码需要设置minSdkVersion 16以上。 private NotificationManager notificationManager;/
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
Broadcast广播机制--学习笔记
一、广播机制简介 1、标准广播：是一种完全异步执行的广播，在广播发出后，所有的广播接收器几乎同一时刻接收到这条广播消息，因此它们之间没有任何先后顺序可言，这种广播效率会比较高，但是无法被截断。sendBroadcast（intent）2、有序广播：是一种同步的广播，在广播发出后，同一时刻只会有一个广播接收器能够接收这条广播消息，当这个广播接收器中的逻辑执行完毕后，广播才会继续传递。此时的广播接收器
广播的实现--实现强制下线功能
1、登录部分内容（直接上代码咯） BaseActivity/** * 作为所有活动的父类 */ public class BaseActivity extends Activity{ @Override protected void onCreate(Bundle saveInstanceState){ super.onCreate(saveInstanceSt
内容提供器--学习笔记（1）
一、内容提供器简介 主要用于在不同之间实现数据共享的功能，它提供了一套完整的机制，允许一个程序访问另一个程序中的数据，同时还能保证被访问数据的安全性。 用法一般有两种：一是使用现有的内容提供器来读取和操作相应程序中的数据；二是创建自己的内容提供器给我们程序的数据提供外部访问接口。二、ContentResolver的基本用法 ContentResolver中的增删查改方法接收Uri参数（称内容U
Notification学习（2）
Notification丰富的提示方式：1、声音提醒·使用默认声音notification.defaults |= Notification.DEFAULT_SOUND;·使用自定义声音notification.sound = Uri.parse(“file:///sdcard/notification/ringer.mp3”);·注：如果定义了默认声音，那么自定义声音将被覆盖2、振动提醒·使用默认
Android Visualizer 实战：把声音画出来
是系统提供的音频效果（AudioEffect）之一。它挂在音频链路上，，把数据回吐给你——画波形、画频谱、做响度表。
Android 开发入门实践（十三）：用 Intent、UiState 和 Reducer 理解 MVI 的状态更新
本文记录第141—145课对MVI架构的入门实践，通过“返回列表”功能逐步构建意图（NewsIntent）、状态（NewsUiState）与状态转换（reduce）机制。基于单向数据流，用户操作生成意图，ViewModel通过Reducer根据旧状态计算新状态，并通过StateFlow更新Compose界面。代码实现清晰分离关注点，强化了对状态管理、事件驱动与数据流的理解。
Android Message源码阅读
本文梳理了Android Handler机制中Message的核心设计：链表结构、消息复用池（sPool）及回收机制，重点解析了异步消息与同步屏障（SyncBarrier）的协同机制。当主线程需优先处理UI绘制等高优先级任务时，系统通过postSyncBarrier插入屏障，使Looper跳过普通同步消息，优先执行标记为异步的UI渲染任务，确保帧率流畅。该机制是保障Android界面响应性的关键技术之一。
BUUCTF-菜刀流量-MISC-学习笔记
从 1970-01-01 00:00:00 UTC 起算的秒数，——Wireshark 直接告诉你它回答的是谁；由表可知道，96帧返回了flag.rar。， 代表删除键，先删了4次，又删了1次。所以密码是：SuperMaster。解析128帧的响应，即133帧。所以这是一个标准抓包文件，用。解压压缩包拿到html代码。：选中 128 帧，展开。：128 和 131 的。能把一问一答放在一起看；是八进制（Oct）的数字。（或 TCP 层）看到。对比一下ASCii 码表。
Android Laya 与 Native Bridge：页面识别、双向通信、协议设计和崩溃定位
Laya 与 Native 通信的难点不在于某个或的写法，而在于边界：页面来源是否可信、协议是否明确、线程是否正确、请求是否幂等、页面是否仍然存在、日志是否能关联一次完整请求。建立这些边界后，才能把“页面白屏”“按钮无响应”“重复消息”和“Native 崩溃”拆成可验证的层次，并沿着真实调用链找到根因。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3638
扫一扫
