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
900+累计阅读
974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
AI摘要
博主在XTDrone中使用faster - lio进行三维固态雷达仿真时运行不正常，遂更换为Fastlio版本。介绍了安装Fastlio的方法，包括修改模型文件、Livox - simulation - customMsg、Fastlio的参数，重新编译，最后运行px4仿真、Fastlio及XTDrone脚本，实现正常运行。
针对三维固态雷达的仿真，XTDrone 的官方文档中的教程，是配置的高博的 faster-lio ，是基于 fastlio 修改的一个轻量版本，但我的环境在实际使用中，经常运行不正常，点数少了，漂移会比较严重，有时还会报错，点数多了的话，就会崩掉，因此更换了 Fastlio 版本进行仿真，可以正常运行。
安装 Fastlio 的方法与安装 faster-lio 是一致的，可以参考以下两篇，其中一篇是官方文档，其中的一些配置参数后续还会用到：
https://blog.youkuaiyun.com/m0_71983702/article/details/139634206?spm=1001.2014.3001.5501
px4仿真使用fastlio的定位数据飞行
前提是已经配置好 px4 的仿真以及 fastlio 的环境，可以用 XTDrone 的教程配置，比较快一些。我是按照 XTDrone 的教程配置好了 livox_avia 的环境。可以自己试一下，切不到才是正常的。查看 mavlink 消息中，也没有 local_position 之类的本地坐标消息。此时正常修改完后，是要软重启的，但仿真没办法软重启，就关掉再重启一下 px4 仿真。1）修改EKF2配置参数，采用视觉定位数据(只是它起这个名字，用雷达也是一样的)
Gazebo 仿真中给 PX4 无人机添加 Livox 激光雷达
在 Gazebo 仿真环境中为 PX4 无人机添加 Livox 激光雷达是一项关键任务，这使得开发者能够在模拟环境中测试和验证自主飞行系统，尤其是使用 SLAM（Simultaneous Localization and Mapping）算法如 Fast-LIO。Gazevo 是一个强大的 3D 仿真软件，常用于机器人和自动驾驶系统的开发；ROS（Robot Operating System）则提供了丰富的工具和库来支持这样的工作。本文将详细介绍如何在 Gazebo 中集成 PX4 无人机和 Livox 激光雷达，并探讨其在 SLAM 应用中的作用。 我们需要了解 PX4 无人机控制系统。PX4 是一个开源飞行控制系统，它支持多种硬件平台，包括无人机、地面车辆和航行器。在 Gazebo 中，我们可以使用 PX4 的 SITL（Software-In-The-Loop）模拟器来模拟真实的飞行环境。 接着，我们关注 Livox Avia 激光雷达。Livox Avia 是一款高性能的激光雷达传感器，具有远距离、高精度和广角扫描的特点，适合于无人机自主导航和避障应用。在 Gazebo 中，我
【AI方案集】AI与人机协作相结合的智能法律咨询系统.docx
AI技术方案以算力、算法、数据三角协同为核心，通过搭建标准化的数据预处理、模型训练与边缘云端协同部署流程，将计算机视觉、自然语言处理、机器学习等核心能力深度融入业务场景，既实现自动化流程降本提效，又通过精准的模式识别与预测分析为管理层提供数据驱动的决策支撑，最终完成从通用AI技术到行业定制化场景的适配落地，为企业数字化转型提供可落地的技术路径。
picture again
picture again
计算机二级通关宝典1计算机二级通关宝典
计算机二级通关宝典1计算机二级通关宝典
MobaXterm终端工具个人学习版安装包及常用配置备份
资源包含 MobaXterm 个人版的安装包以及日常运维常用的基础配置备份文件。适用于网络工程师及运维人员用于日常的服务器管理、SSH 连接及串口调试。 压缩包内附带了个人整理的软件使用技巧与配置说明（仅供个人学习参考）。请各位同行下载后注意，技术工具请尽量支持官方正版，本资源仅供个人测试与交流使用，切勿用于商业环境。
机械臂的「抽风」自救指南：从万向节死锁到毫米级丝滑抓取
机械臂的「抽风」自救指南：从万向节死锁到毫米级丝滑抓取
科技中介服务机构如何借助平台提升技术撮合服务的专业性与响应速度？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
产业园区如何利用AI技术提升科技成果转化服务的响应速度与转化成功率？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
11232131231231是的
11232131231231是的
基于双向Buck-Boost电路的锂电池储能充电+放电控制Simulink仿真
内容概要：本文档详细介绍了一种基于双向Buck-Boost电路的锂电池储能系统充放电控制的Simulink仿真模型，重点实现了充电与放电过程中双向能量流动的精确控制。通过Simulink平台构建完整的电路拓扑与控制系统，采用电压、电流双闭环控制策略，有效提升了系统的稳定性与能量转换效率。文档不仅提供了详细的仿真建模方法，还结合参考文献增强了理论支撑，具有较高的科研与工程应用价值。此外，文中列举了大量电力电子领域的相关仿真资源，涵盖LLC谐振变换器、PFC电路、PWM整流器、状态估计等多种技术方向，形成了一个综合性强、覆盖面广的技术资料库，便于研究人员拓展学习和复用设计。; 适合人群：电气工程、自动化、新能源等相关专业的研究生、科研人员及从事电力电子系统设计的工程师。; 使用场景及目标：①研究锂电池储能系统的双向能量管理与高效充放电控制策略；②掌握基于Simulink的电力电子系统建模与闭环控制器设计方法；③为科研项目、毕业设计或工程开发提供可复现的仿真案例与技术支持。; 阅读建议：建议结合文档中提供的参考文献与外部资源链接，系统性地学习Buck-Boost电路的工作原理与控制理论，优先理解基础拓扑运行机制后再深入双闭环控制策略的设计与参数整定，同时可参照同系列其他仿真案例进行对比分析与拓展实践。
【Trans论文复现】基于Agent的电力市场深度决策梯度(深度强化学习)算法建模研究（Python代码实现）
内容概要：本文详细介绍了“Plecs全桥LLC谐振变换器仿真模型”这一技术资源，聚焦于利用PLECS仿真工具对隔离型全桥LLC谐振变换器进行建模、参数设计与性能分析。该资源系统阐述了LLC谐振变换器的工作原理，涵盖谐振参数设计、软开关实现机制、效率优化等关键技术环节，并配套提供了完整的仿真模型、设计报告与计算书，便于用户深入理解其在高效率、软开关功率转换中的优势与应用。研究内容不仅支持理论学习，还可用于控制策略的验证与优化设计，具有较强的工程实践价值。; 适合人群：具备电力电子技术基础知识，从事开关电源、高频功率变换器研发及相关领域研究的工程技术人员与高校研究生。; 使用场景及目标：①用于全桥LLC谐振变换器的教学演示与原理学习；②支持科研人员开展高效DC-DC变换器的建模、仿真与优化设计；③为掌握PLECS在电力电子系统仿真中的高级应用提供详实案例。; 阅读建议：建议结合PLECS仿真软件进行实际操作，通过运行仿真模型并对照设计文档，深入理解电路各模块功能、参数设置依据及软开关实现条件，重点关注谐振腔参数对系统效率与动态响应的影响，以全面提升对LLC变换器工作特性的认知水平与工程设计能力。
三电平维也纳VIENNA双闭环控制整流器仿真（Simulink仿真实现）
内容概要：本文档系统介绍了“三电平维也纳VIENNA双闭环控制整流器”的Simulink仿真资源，重点涵盖电压电流双闭环控制、中点电位平衡控制及SVPWM调制等核心技术，服务于高精度电力电子系统的建模与优化。资源包不仅包含三相维也纳整流器、双有源桥DAB变换器、LLC谐振变换器等多种典型拓扑的仿真模型，还整合了Mathcad计算书、参考文献、MATLAB代码及设计报告等配套材料，突出科研复现与工程设计双重价值。特别针对控制策略优化、软开关技术实现、最小应力控制等前沿方向提供顶级EI期刊级别的复现案例，强化理论深度与实践指导意义。; 适合人群：面向具备电力电子、自动控制或电气工程等相关专业背景的研究生、科研人员及从事新能源、电力变换系统开发的工程技术人员，尤其适合正在进行高性能整流器与DC-DC变换器研究的专业人士。; 使用场景及目标：①支持高校与科研机构在三电平整流器、功率因数校正（PFC）、DC-DC变换器等领域开展控制系统建模与算法验证；②助力高质量学术论文复现（如EI/SCI期刊）、硕士/博士课题研究、毕业设计及企业级项目开发；③深入掌握SVPWM调制、双闭环动态调节、中点电位平衡控制等关键电力电子控制技术的实现机制与参数整定方法。; 阅读建议：建议结合提供的完整资源目录循序渐进地学习，优先研读控制框图与数学建模部分，理解控制逻辑与参数设计原理后，再通过Simulink平台进行仿真实验与参数调试，注重理论推导与仿真结果的对比分析，全面提升科研创新能力与工程实践能力。
jp-host-release.apk
jp-host-release.apk
手把手教你使用ESM-2进行蛋白质结构预测：从安装到实战
本文详细介绍了如何使用ESM-2蛋白质语言模型进行蛋白质结构预测，从环境准备、模型安装到实战应用。通过逐步指导，读者可以掌握ESM-2的配置、单序列预测、结果可视化及高级优化技巧，适用于生物信息学研究和药物开发。
Zoom AI 技术架构研究：联合式方法与多模态集成
通过 Zoom AI 开放平台，企业可以自定义 AI 模块 (如法律合规审查、客户反馈分析)，扩展应用场景。这种开放平台策略使企业能够根据自身需求定制 AI 功能，满足特定业务需求。
Tartancalib标定OAK-FFC_4p（上）
1.使用Tartancalib标定双目或多目相机前，先对单个相机标定获得内参，再获得外参。
保姆级教程：用ESP32-S3点亮你的第一块ili9341触摸屏（附完整源码与避坑指南）
本文提供了一份详细的ESP32-S3与ili9341触摸屏的入门指南，涵盖硬件连接、环境配置、驱动补全、触摸校准及图形界面开发等关键步骤。特别针对新手常见问题提供解决方案，并附完整源码与避坑技巧，帮助开发者快速上手嵌入式图形界面开发。
Cursor锁机了怎么办？实测这个开源插件帮你无限“续杯”，附详细安装与防踩坑指南
本文提供了Cursor锁机问题的详细解决方案，包括使用开源插件`cursor-fake-machine`修改机器标识、锁定配置文件权限以及优化使用规范。同时介绍了如何利用Cursor开发油猴脚本将微信公众号文章高效转换为Markdown格式，提升内容创作效率。
别再为镜面物体检测发愁了！手把手教你用PMD相位偏折术增强2.5D形状图细节（附Python代码）
本文详细解析了PMD相位偏折术在工业视觉中镜面物体检测的应用，通过2.5D成像方案增强形状图细节。文章提供了Python代码示例，介绍了一种计算高效的局部特征增强算法，帮助解决产线环境中的噪声问题，提升缺陷识别准确率。
Feko仿真GPS微带天线学习笔记
为了优化方便，使参数变量化，所以定义几个变量在CADFEKO左侧浏览器中如图所示定义变量，如下表贴片的尺寸切角尺寸feed =-6.4馈电点距坐标原点的距离sub_w=45基板的宽度sub_d=45基板的长度sub_h=5基板的高度epsR=5.6介电常数损耗角正切。
YOLOv13优化：PoolingFormerCGLU模块 MetaFormer 框架 + 池化混合器 手把手教你自注意力
PoolingFormer1 是一个基于 MetaFormer 框架 的轻量化卷积-Transformer 混合模块，通过 Pooling 取代自注意力，实现： 更低的计算成本 一定的全局信息融合 兼容 CNN 和 Transformer 的优点
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")
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
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
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
1460
扫一扫
