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
1.1k累计阅读
1.1k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
利用李雅普诺夫函数开发航天器姿态控制系统
本文基于李雅普诺夫函数控制方法，采用修正罗德里格斯参数(MRP)描述航天器姿态，设计了姿态控制律。通过构造能量型李雅普诺夫函数，推导出保证系统稳定的控制闭环方程，实现了航天器从初始状态到目标状态的稳定转换。针对MRP参数可能出现的奇异性问题，采用影子集进行规避。仿真实验包含两种模式：非追踪模式（目标状态为0）和追踪模式（目标为三角函数轨迹）。结果表明，该控制方法能够有效实现姿态稳定和轨迹跟踪，在短暂调整后即可精确跟随目标轨迹。控制律设计考虑了不同参考系间的转换，通过DCM矩阵处理目标角速度的坐标变换问题。
我的gmail报错了..有意思...
我的gmail报错了..有意思...: 错误如下: 我做了邮件转发:把126的邮件转发到gmail上面接受... 通过查询通讯录的邮件的时候包了个错误..一直有..直到重新启动才没了.. 很有意思..但依然喜欢gmail. 很新鲜啊.......
变压器铁心100Hz振动噪声的COMSOL磁致伸缩仿真全流程
磁致伸缩是铁磁材料在磁场作用下发生尺寸变化的现象，也是变压器铁心振动与噪声产生的根本原因。由于应变与磁通密度近似成平方关系，50Hz电网激励下铁心振动基频为100Hz。借助COMSOL多物理场仿真，可将磁场计算结果映射为结构应力和变形，完成“电磁—结构”单向耦合分析。该技术广泛应用于变压器振动噪声预测、结构优化及故障诊断等工程场景。本文从磁致伸缩物理机理出发，系统梳理了材料参数、等效建模、边界条件设置和结果校核等关键步骤，帮助工程师掌握从磁致伸缩到结构变形的完整仿真链路，解决实际工程对标难题。
79.ScottPlot的MVVM实现 C#例子 WPF例子
在你的 WPF 窗口的 XAML 文件中，定义一个，并将其Content属性绑定到 ViewModel 中的属性。这样可以将WpfPlot控件动态绑定到 ViewModel。
LTC3783 LED驱动控制器设计与效率优化详解
开关电源控制器是现代LED照明的核心器件，通过电流模式控制实现高效能量转换。其核心原理是通过采样电阻检测负载电流，配合误差放大器形成闭环调节，在汽车电子、显示背光等场景中确保±3%的电流精度。LTC3783作为典型代表，集成升压/降压-升压多拓扑支持，配合PWM调光技术可实现3000:1的无色偏调光范围。在工程实践中，需重点考量功率电感选型、MOSFET开关损耗与热管理设计，例如在38W功率方案中采用10μH/5A电感和4.5mΩ MOSFET可达成95%效率。该方案特别适用于需要应对9-36V宽输入电压波
我的Gmail
Tomato.HF@gmail.com 非常感谢GreenTea的邀请 ：）还浪费了她两个邀请名额。真是不好意思~PS：忙里偷闲~ ：（
【Proteus仿真】AT89C51单片机中断系列仿真——INT0中断控制LED小灯/INT0和INT1中断控制数码管
本文介绍了基于51单片机外部中断(INT0/INT1)的四个实践案例：1)INT0控制LED开关；2)INT0中断实现数码管计数/清零；3)INT0中断构建秒表功能（启动/暂停/清零）；4)INT0/INT1双中断独立控制两组数码管计数。每个案例包含电路原理图、接线说明及完整源代码，重点演示了外部中断在硬件控制中的应用方法。附加硬件工程师笔试面试资料链接，涵盖器件知识、Multisim教程等内容，适合嵌入式学习者参考实践。（149字）
Gmail试用报告
???????? ?Gmail的界面非常简洁，设计非常人性化，他一共有六个系统文件夹（Inbox，Starred，Sent Mail，All Mail，Spam，Trash），同时它提供一个Label的功能，区别于其他邮件系统提供个人文件夹，他的Label仅仅是给邮件贴个标签，而不移动邮件本来的物理位置。可以贴上N个标签。???????? 同时，在邮件列表的上、下方都有一些按钮和下拉菜单可供各种操
SAP_通用模块-MASS批量操作技巧
SAP_MM模块-MASS/MM17批量更新主数据详细教程
ARM系统控制和管理接口System Control and Management Interface
本文档描述了一个可扩展的独立于操作系统的软件接口，用于执行各种系统控制和管理任务，包括电源和性能管理。 本文档描述了系统控制和管理接口（SCMI），它是一组操作系统无关的软件接口，用于系统管理。
GMail I Get
今天hBifts给我一个GMail's invitation,现在注册成功,正在试用.本来一直认为没有机会试用的.thanks hBifts 转载于:https://www.cnblogs.com/Meyer/archive/2004/06/20/17243.html
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深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/)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")
有了一个gmail的信箱了
得到了一个gmail信箱，试用了一下，觉得还不错，就是速度有点慢（：bobo.2000@gmail.com还可以使用pop3，比yahoo的强：） ...
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
试用Gmail新功能——Get mail from other accounts
引起一片轰动的Gmail新功能Get mail from other accounts终于露出了庐山真面目，（via：Gseeker）个人在第一时间进行了试用，现在介绍如下。在开始之前个人觉得有必要再次说明两个概念，及Send mail as（自定义"发件人："地址）与Get mail from other accounts的区别：自定义"发件人："地址只是在使用Gmail发送邮件时伪装一个地址，...
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。
80个Gmail帐号，5个Live Messenger试用邀请，要的留言并注明是什么的邀请！
当网络硬盘用，很好用 gmail软件下载 转载于:https://www.cnblogs.com/cxbkkk/archive/2006/02/25/337782.html
试用世界最强AI模型Grok 3
试用世界最强AI模型Grok 3
Python、IMAP 和 GMail.将消息标记为已查看
*注**：请确保替换 `'your_email@gmail.com'` 和 `'your_password'` 为你的 Gmail 账号和密码。此外，IMAP 连接可能会受到 Gmail 保护，导致无法登录或邮件丢失等问题。例如，通过 OpenAI 的 GPT-4 或更高版本，你可以轻松构建一个能够分析、理解和生成邮件内容的应用程序。虽然 IMAP 和 SMTP 库主要用于发送和接收电子邮件，但这些库与人工智能大模型（如 GPT）集成可以帮助更好地分析、理解和分析邮件内容。# Gmail 账户信息。
合法邮箱测试用例
先讲创建邮箱的规则 要判定邮箱地址，那我们必须先设定我们邮箱命名的规则 这里我们以Gmail为例,创建邮箱时候只写用户名，后缀会直接加上@gmail.com only letters (a-z), numbers (0-9), and periods (.) is allowed， the first character of your username must be an a
你在使用Gmail,Wallop,MSN Spaces,Three Degrees吗？
http://gmail.google.com 带你认识GMAIL功能 ～需要邀请可以给我发邮件～ http://www.threedegrees.com MSN官方音乐P2P共享软件threedegrees 3度全攻略 http://mywallop.com 神秘!微软社会性网络-Wallop试用 ～需要邀请可以给我发邮件～ ...
如何使用 Python 自动登录 gmail atom 提要?
2. 接下来，你需要设置你的应用凭据。你可以从Google的Developers Console创建一个新的项目，然后获取OAuth 2.0客户端ID和密钥。将这些信息保存在你的项目中，并在代码中引用它们。假设你正在开发一个自动化邮件处理系统，你可以使用这个库来自动回复未回复的邮件或者删除不重要的邮件。例如，你可以编写一个脚本，每隔一段时间检查一次INBOX标签，如果找到新的未回复的邮件，就自动回复邮件。1. 首先，你需要安装一些必要的库。1. 登录Gmail并获取所有的邮件。
GCP试用到期再申请
目标 GCP的免费试用到期了。网传可以续用，看了教程，记录下来。 法一 应该可以直接用一个新gmail账号的。这个方法的难点可能在于注册新账号有门槛。我有一个很久以前注册过的，试着找回了密码，登入GCP，按步骤填写信息，提示账号有问题，提交了身份证和信用卡照片后可用。 法二（网上大多教程演示的删除结算账号再申请） 这个我试验失败后，用了第一种方法。之后发现问题出在哪，故先记录下来。（个人理解，后期...
Google推短信收发邮件服务Gmail SMS 造福非洲人民
Google刚刚在非洲推出了一项新的邮件服务Gmail SMS，即用户可以通过手机内置的短信功能（SMS）收发Gmail邮件。该服务将首先在加纳、尼日利亚和肯尼亚三国试用。 这一举措意味着，当地用户无需使用带有3G或Wi-Fi功能的智能手机就可以使用Gmail。对于这些iPhone和Android手机普及率不高、功能机横行的新兴市场，Gmail SMS无疑是一大福利。 Google
Codex-X 安装包选型指南：DMG、EXE 还是 AppImage，一张表选对不踩坑
装 Codex-X 之前最容易卡住的不是安装本身，而是面对一排 .dmg、.exe、.zip、.deb、.rpm、.AppImage 不知道该下哪个——选错架构或格式，轻则装不上，重则装完还得手动升级。Codex-X 是 OpenAI Codex 桌面端 / CLI 的可视化管理工具，管 Provider 切换、会话同步、提示词注入和 Skills / MCP 管理，这份 Codex-X 安装包选
Cursor零基础小白教程系列「技巧」 - Cursor 白嫖方案
前面我们提到了cursor 账户有三种性质Hobby：免费计划，包括两周 Pro 试用期、每月 2000 个代码补全（completions）、50 个慢速优先的高级请求（slow premium requests）和 200 次 Cursor-small 模型的使用。Cursor-small 是一个更快的模型，适用于快速编辑任务。
使用 Python 检查未读的 Gmail 邮件数
要使用Python检查未读的Gmail邮件数量，我们可以使用Google API。注意，你需要将`client_secret.json`替换为你的Google API客户端密钥文件的路径。如果你需要更复杂的应用场景，你可以使用Gmail API来获取邮件的内容、发送邮件等。接下来，你可以使用Python的`google-api-python-client`库来连接到Gmail API并获取未读邮件的数量。这个测试用例会创建一个测试邮件，发送后检查未读邮件的数量是否增加了。# 检查未读邮件数量是否增加了。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1221
扫一扫
