博客搬家至此

最新推荐文章于 2017-08-19 22:54:14 发布
原创 最新推荐文章于 2017-08-19 22:54:14 发布 · 665 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

以前的博客在    http://www.cnblogs.com/sdphome/

以前一般都是在查阅资料的时候找一些好的文章，然后转载，现在想自己写点技术性的文章，让自己的知识积累，同时也希望能够把我的努力分享给大家，共同学习，共同进步。

如大家对我的一些观点持有不同看法，欢迎大家批评指正，我将会非常感谢大家对我指正，使我进步。交流邮箱 ： dp.shao@gmail.com

huber
关注
OO系统设计师之路--分析模型系列（1）--什么是分析模型 [从老博客搬家至此]
咖啡小驻
10-18 1万+
分析模型是高层次的系统视图，在语义上，分析类不代表最终的实现。它是计算机系统元素的高层抽象。 笔者认为分析模型正是OO设计的核心，而设计类只是OO的实现手段。 分析模型是MVC模式的经典应用。对比分析类的名称，MVC模式，读者应该能够发现分析类在OO和商业目标中精妙的对应关系：人，事，物，规则--actor,boundary,engity,control。这就是为什么笔者说分析模型是OO设计的核心。
OO系统设计师之路--设计模型系列(1)--软件架构和软件框架[从老博客搬家至此]
热门推荐
咖啡小驻
10-18 1万+
软件架构是一种思想，一个系统蓝图，对软件结构组成的规划和职责设定。而软件框架是一个实现，一个半成品，是针对一个特定问题的解决方案和辅助工具。
2017年6月1日由新浪博客搬家至此
Rgazer的博客
08-19 1819
大家会看到在2017年前的博客，排版不好，内容不全，而且有很多的图片缺失。 原因就是，我从新浪博客搬家至此，网络自动抓取时，无法抓取全部内容。我也难以一一维护之前的博客内容，若对之前博客感兴趣，欢迎移步我的新浪博客： Rgazer的新浪博客
我的技术博客搬家至此
Neil
03-29 378
虽然教育网上优快云异常的慢，但介于ChinaUnix实在不稳定，还是毅然决定将博客搬至此地。以后在此安家啦~~
OO系统设计师之路--分析模型系列(2)--怎样做分析模型 [从老博客搬家至此]
weixin_30244889的博客
10-18 109
上一篇笔者阐述了什么是分析模型，我们为什么要使用分析模型，分析模型能给我们带来什么。这一篇来讨论怎么做分析模型。 开篇之前先说点题外话。笔者不厌其烦地一次次提到需求的可追溯性，是因为软件工程比UML更重要更本质。笔者自己在学习UML过程中，曾经也非常迷惑而不得要领，这么多UML元素，每个都有其特定的含义，RUP中定义了更多更复杂的流程，模板，工具...虽然读了很多资料，却始终感觉UML...
OO系统设计师之路--分析模型系列(3)--分析模型的调整和优化[从老博客搬家至此]
咖啡小驻
10-18 9152
草图代表了需求的实现，是一个细节的表露。接下来的优化的调整，就以此为基础。主要的输入：草图，系统架构，业务规则，补充用例规约，系统原型。主要的输出：调整后的分析模型，子系统，组件视图和部署视图（针对分布式应用而言）
OO系统设计师之路--设计模型系列(1)--软件架构和软件框架[从老博客搬家至此]...
weixin_30650039的博客
10-18 77
这一篇讲软件架构和软件框架在UML设计过程中所起的作用。本系列文章不是专门讨论软件架构和软件框架的，所以不会深入讲怎么做软件架构和软件框架。另一个原因是笔者尚无这个自信能够在这里班门弄斧讲软件架构。之所以要讲，是因为在设计过程中，设计类必然会受到软件架构和框架的约束。从分析类到设计类，软件架构和框架是不得不考虑的一个重要因素。 软件架构和软件框架是一回事儿吗？相信有相当一部分人搞不清楚这...
OO系统设计师之路--分析模型系列(3)--分析模型的调整和优化[从老博客搬家至此]...
weixin_30613727的博客
10-18 81
这一篇拖了很长时间，除了懒之外，另一个主要原因是一直找不到思路。想归纳一下自己的设计经验，找到一个相对容易学习的办法，结果总是不得要领。终于不得不承认设计工作是一项创造性的工作，是没有办法用什么固定的流程，普适的方法来完成的。除了知识和经验之外，个人的悟性恐怕也是影响设计好坏的原因之一。这篇文章写得很费劲，发现归纳出与具体需求无关的通用的一些方法真的很困难。相信对读者来说这篇恐怕是到目前为...
基于PID优化和矢量控制装置的四旋翼无人机（Matlab&Simulink实现）
最新发布
12-27
基于PID优化和矢量控制装置的四旋翼无人机（Matlab&Simulink实现）
具有多种最大功率点跟踪（MPPT）方法的光伏发电系统（P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化）之使用粒子群算法的最大功率点追踪（MPPT）（Simulink仿真实现）
12-27
具有多种最大功率点跟踪（MPPT）方法的光伏发电系统（P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化）之使用粒子群算法的最大功率点追踪（MPPT）（Simulink仿真实现）内容概要：本文介绍了一个涵盖多个科研领域的综合性MATLAB仿真资源集合，重点聚焦于光伏发电系统中基于粒子群优化（PSO）算法的最大功率点追踪（MPPT）技术的Simulink仿真实现。文档还列举了多种MPPT方法（如P&O、增量电导法、神经网络、模糊逻辑控制等），并展示了该团队在电力系统、智能优化算法、机器学习、路径规划、无人机控制、信号处理等多个方向的技术服务能力与代码实现案例。整体内容以科研仿真为核心，提供大量可复现的Matlab/Simulink模型和优化算法应用实例。; 适合人群：具备一定电力电子、自动控制或新能源背景，熟悉MATLAB/Simulink环境，从事科研或工程仿真的研究生、科研人员及技术人员。; 使用场景及目标：①学习并实现光伏系统中基于粒子群算法的MPPT控制策略；②掌握多种智能优化算法在电力系统与自动化领域的建模与仿真方法；③获取可用于论文复现、项目开发和技术攻关的高质量仿真资源。; 阅读建议：建议结合提供的网盘资料，按照研究方向选取对应模块进行实践，重点关注Simulink模型结构与算法代码逻辑的结合，注重从原理到仿真实现的全过程理解，提升科研建模能力。
STM32读取GY-87资源文件介绍
12-27
提供了STM32读取GY-87（包含MPU6050、HMC5883、BMP180）的相关资源文件，用户可以方便地直接使用。 资源文件简介 该资源文件包括STM32与GY-87模块的通信代码，实现了对模块中MPU6050（加速度计、陀螺仪）、HMC5883（电子罗盘）以及BMP180（气压计）的读取。 注意事项 资源文件已经过测试，确保可以直接在STM32上运行。 使用前请确保STM32的开发环境已正确配置。 资源文件中不包含硬件连接图和原理图，请根据实际情况自行查阅相关资料进行硬件连接。 请遵循相关法律法规，合法使用本资源文件。
热成像人物检测数据集_20251119_014618.zip
12-27
热成像人物检测数据集 一、基础信息 数据集名称：热成像人物检测数据集 图片数量： 训练集：424张图片 验证集：121张图片 测试集：61张图片 总计：606张热成像图片 分类类别： - 热成像人物：在热成像图像中的人物实例 - 非热成像人物：在非热成像或普通图像中的人物实例，用于对比分析 标注格式： YOLO格式，包含边界框和类别标签，适用于目标检测任务。数据来源于热成像和视觉图像，覆盖多种场景条件。 二、适用场景 热成像监控与安防系统开发： 数据集支持目标检测任务，帮助构建能够在低光、夜间或恶劣环境下自动检测和定位人物的AI模型，提升监控系统的可靠性和实时响应能力。 红外视觉应用研发： 集成至红外摄像头或热成像设备中，实现实时人物检测功能，应用于安防、军事、救援和工业检测等领域。 学术研究与创新： 支持计算机视觉与热成像技术的交叉研究，助力开发新算法用于人物行为分析或环境适应型检测模型。 教育与培训： 可用于高校或培训机构，作为学习热成像人物检测和AI模型开发的教学资源，提升实践技能。 三、数据集优势 精准标注与多样性： 每张图片均由专业标注员标注，确保边界框定位准确，类别分类清晰。包含热成像和非热成像类别，提供对比数据，增强模型的泛化能力和鲁棒性。 场景实用性强： 数据覆盖多种环境条件，如不同光照和天气，模拟真实世界应用，适用于复杂场景下的人物检测任务。 任务适配性高： YOLO标注格式兼容主流深度学习框架（如YOLOv5、YOLOv8等），可直接加载使用，支持快速模型开发和评估。 应用价值突出： 专注于热成像人物检测，在安防、监控和特殊环境检测中具有重要价值，支持早期预警和高效决策。
mpu6050滤波算法角标串口stm32
12-27
下载前必看：https://pan.quark.cn/s/9c5b7fe89b97 CMSIS NN Lib example armnnexamplecifar10 for Cortex-M4 and Cortex-M7. The example is configured for uVision Simulator.
创新无忧基于白鲨算法WSO优化广义神经网络GRNN电机故障诊断（Matlab代码实现）
12-27
【创新无忧】基于白鲨算法WSO优化广义神经网络GRNN电机故障诊断（Matlab代码实现）内容概要：本文介绍了基于白鲨算法（WSO）优化广义神经网络（GRNN）的电机故障诊断方法，并提供了完整的Matlab代码实现。该方法结合智能优化算法与神经网络技术，通过WSO算法优化GRNN的关键参数，提升其在电机故障诊断中的准确性与鲁棒性。文档还展示了该团队在多个科研领域的技术积累，涵盖机器学习、深度学习、信号处理、电力系统优化、路径规划、无人机应用等多个方向，突出其在MATLAB仿真与算法开发方面的综合实力。; 适合人群：具备一定编程基础，熟悉Matlab工具，从事电气工程、自动化、人工智能或智能制造等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于电机系统故障诊断，提升工业设备运维智能化水平；②为科研人员提供WSO优化GRNN的算法实现参考，支持论文复现与技术创新；③拓展智能算法在电力系统、工业控制等领域的应用边界； 阅读建议：建议读者结合提供的Matlab代码进行实践操作，重点关注WSO算法与GRNN的结合机制，理解参数优化过程，并可借鉴文中其他案例拓宽研究思路，建议按文档结构逐步深入，充分利用附带的网盘资源辅助学习与开发。
工业液体目标检测数据集_20251118_032115.zip
12-27
一、基础信息 数据集名称：工业液体目标检测数据集 图片数量：训练集2550张图片，验证集233张图片，测试集82张图片 分类类别：Battery Acid（电池酸）、Bleach（漂白剂）、Coolant（冷却剂）、Fuel（燃料）、Hydraulic Fuel（液压燃料）、Motor Oil（机油） 标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务 数据格式：JPEG和PNG图片，来源于真实场景 二、适用场景 工业安全监控：用于检测工作场所中的液体泄漏或不当存储，提升安全管理和风险预防。 环境监测应用：在野外或城市环境中识别危险液体污染，支持环境保护和清理行动。 汽车与机械维护：辅助检测车辆中的各种液体类型，如机油和冷却剂，用于维修和保养系统。 物流与仓储管理：在运输和存储过程中监控液体容器状态，确保合规性和操作安全。 三、数据集优势 类别覆盖广泛：包含6种常见液体类型，涵盖工业、汽车和环境领域，增强模型识别多样性。 标注质量高：采用YOLO格式，边界框定位精确，便于直接加载到主流深度学习框架进行训练。 数据规模合理：训练集超过2500张图片，提供充足样本用于模型学习，提升泛化能力。 实战应用性强：专注于目标检测任务，支持快速集成到AI系统中，用于实际场景的液体识别与分类。
心率变异性（HRV）的非线性信号分析Matlab代码.zip
12-27
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
在WPF中给listboxItem添加编号标记
12-27
先展示下效果 https://pan.quark.cn/s/1dfbb0bb6d92 marking-heading-tag 动态的给网页中的h1-h6标签添加前缀层次序号。 如1.2.1等。
【电力系统优化调度】计及源荷两侧不确定性的含风电电力系统低碳调度（Matlab代码实现）
12-27
【电力系统优化调度】计及源荷两侧不确定性的含风电电力系统低碳调度（Matlab代码实现）内容概要：本文介绍了含风电的电力系统在源荷两侧不确定性条件下的低碳优化调度方法，采用Matlab代码实现，旨在应对风电出力与负荷需求的双重不确定性，提升电力系统低碳运行水平。文中可能结合场景生成与削减技术（如拉丁超立方抽样）处理不确定性，并构建相应的优化模型，通过智能优化算法求解，实现系统碳排放与运行成本的协同优化。同时，文档附带了多个相关科研资源的网盘链接，涵盖电力系统、机器学习、路径规划等多个领域的Matlab仿真代码。; 适合人群：具备电力系统、优化调度或可再生能源背景的科研人员及研究生，熟悉Matlab编程与基本优化理论的技术人员。; 使用场景及目标：①研究含高比例风电的电力系统低碳调度策略；②学习如何建模与处理源荷不确定性；③掌握基于Matlab的优化调度算法实现方法；④获取相关领域科研代码资源以支持课题研究与论文复现。; 阅读建议：建议结合文档提供的代码与参考资料，重点理解不确定性建模方法与低碳调度模型的构建思路，通过仿真实验验证算法有效性，并参考其他共享资源拓展研究视野。
水下管道分割数据集_20251118_214229.zip
12-27
水下管道分割数据集 一、基础信息 • 数据集名称：水下管道分割数据集 • 图片数量： 训练集：4863张图片 验证集：421张图片 测试集：18张图片 总计：5302张水下环境图片 • 训练集：4863张图片 • 验证集：421张图片 • 测试集：18张图片 • 总计：5302张水下环境图片 • 分类类别： 管道（pipelines）：水下管道结构，用于实例分割任务。 • 管道（pipelines）：水下管道结构，用于实例分割任务。 • 标注格式： YOLO格式，包含实例分割的多边形标注，适用于分割任务。 • YOLO格式，包含实例分割的多边形标注，适用于分割任务。 • 数据格式：水下环境拍摄的图片，适用于计算机视觉模型训练。 二、适用场景 • 水下管道检测与维护系统开发： 数据集支持实例分割任务，帮助构建能够自动识别和分割水下管道结构的AI模型，辅助管道维护和检查。 • 能源与公用事业应用： 集成至管道监控系统，提供实时管道状态分析和异常检测功能。 • 学术研究与工业创新： 支持水下计算机视觉和分割算法研究，助力相关领域的技术发展。 • 环境与基础设施监控： 用于水下基础设施的健康监测和风险评估，提升管理效率。 三、数据集优势 • 精准标注与专业性： 每张图片都经过精确标注，确保管道分割的准确性，标注由专业团队完成。 • 环境多样性： 涵盖不同水下条件，提升模型在各种环境下的泛化能力。 • 任务适配性强： 标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割任务。 • 实用价值高： 专注于水下管道分割，为能源、环境和基础设施领域提供重要的数据支撑。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值