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
494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
KairosDB，OpenTSDB，Druid
高准确率，高流通率的时间序列数据给当前的时间序列数据库带来挑战。本文提出针对遥测时间序列数据的新的抽象和一个提供这种抽象的数据结构，一个时间分区的版本识别的COW树。
随着IOT的发展，新型的分布式存储逐渐变得重要。遥测系统samplerate要求的越来越高，实时性也要求的高，因此分布式系统的容量和带宽也相应的要提升。
华为的一片内部分享中貌似有提到，在监控市场中，数百路摄像头，几秒的采集间隔，会影响数据的大小和对网络带宽的要求，那么分布式存储如何应对这种数据量以及某个节点崩溃后，如何恢复。
用go语言开源实现的。
看不懂。。。
科技中介服务机构想要提升服务效率，需要哪些数智工具支持？.docx
科技中介服务机构想要提升服务效率，需要哪些数智工具支持？
从一到无穷大 #16 ByteSeries，思考内存时序数据库的必要性
线上负载要求写入和实时查询高性能，时序数据库+缓存（内存时序数据库）可行。
usb 扩容盘检测修复工具源码，编译产物
usb 扩容盘检测修复工具源码，编译产物
DBX 数据库管理工具实战：20MB 轻量客户端如何连通 70+ 数据库
MySQL 一个、Redis 一个、MongoDB 再一个，每类数据库都要单独装一个客户端并各自升级。DBX 是一款开源轻量级数据库管理工具：单文件约 20MB，覆盖 MySQL、PostgreSQL、Redis、MongoDB、达梦等 70+ 数据库，桌面端、Docker、CLI 三种形态齐全。读完这篇，你能在三条路线上各自跑通一次可用连接。 ## 能力速览，一张表看懂三种形态 | 形态 |
融合UWB和IMU割草机定位EKF研究（Matlab代码实现）
内容概要：本文主要介绍了一个名为“Plecs全桥LLC谐振变换器仿真模型”的技术资源，该资源聚焦于电力电子领域中的LLC谐振变换器建模与仿真，涵盖开环、闭环控制、软启动设计及参数优化等核心内容。文档不仅提供了LLC变换器的详细建模方法与仿真案例，还系统梳理了其在高效电源转换系统中的应用，包括隔离型全桥拓扑结构的设计与性能分析。此外，资源汇总了大量Matlab/Simulink仿真模型及相关科研方向，涉及新能源并网、储能控制、电机驱动等多个前沿领域，全面展示LLC谐振变换器在现代电力系统中的关键技术实现路径。同时，文档附带多种学习资料获取途径，如网盘链接和公众号资源，便于研究人员深入实践与拓展研究。; 适合人群：具备扎实的电力电子、自动控制理论基础，从事新能源发电、开关电源设计、电力系统仿真等相关领域的研究生、工程师及科研人员。; 使用场景及目标：①深入理解LLC谐振变换器的工作原理、建模方法与控制策略；②开展电力电子变换器的仿真验证与参数优化设计；③支撑科研项目、学位论文或工程项目的系统仿真与方案验证； 阅读建议：建议结合所提供的仿真模型与参考文献，使用Plecs或Simulink软件进行动手实践，重点掌握LLC谐振变换器的建模流程、闭环控制设计、软启动机制及参数调试技巧，以全面提升在实际工程中的应用与创新能力。
基于变频控制的多相交错LLC谐振变换器闭环仿真（Simulink仿真实现）
基于变频控制的多相交错LLC谐振变换器闭环仿真（Simulink仿真实现）内容概要：本文主要介绍了基于Plecs的全桥LLC谐振变换器仿真模型，涵盖变频控制下的多相交错LLC谐振变换器闭环仿真、V2G电动汽车ACDC整流与双向CLLC谐振变换器充放电仿真、LLC谐振变换器的开环与闭环软启动设计，以及储能系统中双向Buck-Boost变换器结合模型预测电流控制和电压下垂控制的仿真研究。同时，文档列举了多种电力电子系统与控制策略的Simulink/Plecs仿真案例，涉及三相交错并联Buck变换器、三电平Buck直流变换器、单相Boost PFC电路等，展示了丰富的电力变换器建模与控制技术。此外，还包括参数设计报告、计算书及相关参考文献，适用于从事电力电子、新能源发电、电动汽车充放电系统等领域的研究人员和技术开发人员。; 适合人群：具备电力电子、自动控制理论基础，从事新能源、电动汽车、电力系统等相关领域研究的研发人员、高校研究生及高年级本科生。; 使用场景及目标：① 学习和掌握LLC谐振变换器及其他典型电力电子变换器的工作原理与建模方法；② 实现闭环控制策略如变频控制、软启动、模型预测控制、下垂控制等的仿真验证；③ 支持科研项目、毕业设计或工程开发中的系统仿真与优化设计。; 阅读建议：建议结合文中提供的仿真模型、设计报告与参考文献，逐步搭建并调试相应系统，重点关注控制策略的实现细节与参数整定过程，以深入理解系统动态响应特性与控制性能。
时序数据库连载系列：Berkeley 的黑科技 BTrDB
本文是对面向 IoT 领域的开源时序数据库 BTrDB 内部实现细节的研究和介绍。 1. 场景介绍 BTrDB 论文中介绍了一个实际的项目，能很好解释清楚 BTrDB 的设计初衷和适用场景： 在一个电网中大量部署了某类传感器，每个传感器会产生 12 条时间线，每条时间线频率为 120Hz（即每秒 120 个点），时间精度为 100ns；由于各种原因，...
别再对着数据手册画图了！用HFSS 2023 R2快速复现ESP-01的PCB天线（附模型文件）
本文详细介绍了使用HFSS 2023 R2逆向复现ESP-01 PCB天线的五个关键步骤，包括逆向工程准备、高效建模技巧、材料与边界设置、激励与求解配置以及结果分析与设计验证。通过参数化建模和智能边界检测，大幅提升仿真效率，适用于WIFI和蓝牙设备的射频设计优化。
PS4 PPPoE 远程代码执行：PPPwn 完整实战
PPPwn 是一款针对 PlayStation 4 的 PPPoE 远程代码执行漏洞利用工具。它利用 CVE-2006-4304，从一根网线就在 PS4 内核里跑任意代码，覆盖固件 7.00 到 11.00。 ## 一根网线怎么打穿内核？ 把 PS4 想成一个只会打电话订宽带的人：它先发出 PADI 发现包，谁应答就当谁是运营商。你的电脑冒充运营商接管协商，再顺手塞一个恶意 LCP confi
手机耳机麦克风（ECM）电路设计实战：从差分走线到射频干扰滤波，一个电阻引发的灵敏度问题
本文深入探讨了手机耳机麦克风(ECM)电路设计中的关键问题，从差分走线到射频干扰滤波，特别关注了一个电阻引发的灵敏度问题。通过实际案例分析，详细解析了ECM麦克风工作原理、偏置电阻选型、差分信号传输设计以及射频干扰抑制策略，为工程师提供了实用的设计指南和优化建议。
【UE5+Quest3】手部模型替换---3-0
这次手部模型替换遇到了一些小问题，不过好在是bug一个个都处理掉了，我会分开几个章节去整理。详细的视频教程可以参考油管大佬的视频手部素材放到文章末尾，自行下载使用。（仅用作学习研究，不可用于商用）
手把手用 douyin-downloader 批量下载抖音作品：一个博主的全部视频一次存齐
你是不是也有过这种经历：想存档一位博主的两百条作品，只能一条条点开、点保存、改文件名、挪目录，几个小时就没了。douyin-downloader 是一款抖音批量下载工具：把主页链接丢进配置，它自动抓取作品列表、并发下载免水印视频，顺手把封面、音乐、元数据一起存好，还用本地 SQLite 数据库自动去重。这篇指南适合想归档博主作品的收藏党、要批量收集素材的创作者，以及需要结构化数据做内容分析的研究者
海康VisionMaster零代码开发实战：从PLC工程师到视觉专家的捷径
本文为PLC工程师提供了利用海康VisionMaster视觉平台实现零代码视觉开发的实战指南。文章详细阐述了如何通过图形化流程设计替代传统编程，快速搭建视觉检测应用，并实现与PLC的无缝通讯，是工程师从设备控制迈向视觉系统集成的有效捷径。
READING NOTE: Optimizing Deep CNN-Based Queries over Video Streams at Scale
TITLE: Optimizing Deep CNN-Based Queries over Video Streams at Scale
ABB AC500 系列 PLC 与上位机iFix 的通讯配置
在 软件中，有 3 种方式可以进入 IP config tool 的配置界面 双击 IP_settings，点击 IP config tool，即可进入 IP config tool 界面点击菜单栏的 Tool→IP config如果单独安装了 ABB IP Configration，则可以通过开始→程序→ABB→ABB IPConfigration 启动 IP 配置工具启动 IP config tool 后，即可进入 IP 配置界面。
SMRATS(一) SMARTS+PPO baseline运行教程
python类方法 class Agent: @classmethod def from_function() python typing 含义 为防止弱类型python出现忘记变量类型的问题，python3.5及之后版本增加了对应的类型提示。 输入和输出类型 函数接受并返回一个字符串，注释像下面这样: def greeting(name: str) -> str: return 'Hello ' + name 常用的typing类型 int,long,float: 整型,
TensorFlow 2.x / Keras 实战：5行代码搭建CNN，MNIST手写数字识别准确率99.2%
本文详细介绍了如何使用TensorFlow 2.x和Keras仅用5行核心代码构建卷积神经网络(CNN)，在MNIST手写数字识别任务中实现99.2%的高准确率。通过环境准备、数据预处理、模型构建、训练优化等步骤，帮助开发者快速掌握人工智能领域的图像分类技术，适用于计算机视觉入门和实践应用。
YOLOv8首发优化：遥感目标检测 | 专为低质量遥感图像设计的边缘 - 高斯聚合（EGA）模块，解决低空间分辨率、传感器噪声、目标模糊、低光照退化和部分遮挡等限制
一种轻量级网络，其创新性地整合了专为低质量遥感图像设计的边缘 - 高斯聚合（EGA）模块。
伯克利开源Confluo：吞吐量比Kafka高4到10倍！
出处丨AI前线伯克利 RISE 实验室又有新动作，最近开源了一个多数据流实时分布式分析系统 Confluo。它可以作为网络监控和诊断框架，也可以作为时序数据库和发布订阅消息系统。作为时序数据库，它的性能比其他时序数据库高出数倍，而作为发布消息订阅系统，它的吞吐量比 Kafka 高出 4 到 10 倍。具体请见下文。Confluo 是一个多数据流分析系统，可实现实时的分布式数据分析。Confluo ...
SAP 销售订单BOM使用场景简介
通常在MTO的生产场景中，我们会根据已创建的SO去展开BOM去驱动生产，如果我们生产地产品BOM是通用性的通常我们用标准BOM的方式就可以实现，但是实际在生产过程中往往不会这样，不同的客户对某些物料的规格就不相同，就会涉及产生不同的BOM，但是该客户的产品又不存在通用性，这个时候就会引入概念就是销售订单BOM，先有销售订单然后根据销售订单+行项目创建BOM。销售BOM：根据销售订单号+行项目号创建的BOM，是根据特定的销售订单或者可以理解为特定的客户创建的BOM。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
CVPR2020开源论文（部分带阅读笔记）
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
内存优化小结
内存泄漏(Memory Leak) 每个应用程序都需要内存来完成工作，为了确保Android 系统的每个应用都有足够的内存，Android 系统需要有效地管理内存分配。当内存不足时，Android 运行时就会触发GC，GC采用的垃圾标记算法为根搜索算法。 从上图可知，Obj4是可达的对象，表示它被引用，因此不会标记为可回收的对象。Obj5、Obj6和Obj7都是不可达的对象，其中Obj5和Obj6虽然相互引用，但是因为它们到GCRoots是不可达，所以它们仍旧被标记为可回收的对象。 内存泄露就是指没有用的
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
optimizing TCP Receive Performance
Optimizing TCP Receive Performance Aravind Menon and Willy Zwaenepoel School of Computer and Communication Sciences EPFL Abstract: The performance of receive side TCP processing has tra
8.5.1 Optimizing Storage Layout for InnoDB Tables InnoDB表的存储布局优化
8.5.1 Optimizing Storage Layout for InnoDB Tables InnoDB表的存储布局优化一旦你的数据达到一个稳定的大小,或者一个成长的表几十几百兆的增加,考虑使用OPTIMIZE TABLE 语句来重新组织表,压缩任何浪费掉的空间。重组表需要更少的disk I/O 来执行全表扫描。这是一个明确的技术可以改善性能 当其他的技术比如改善索引使用或者调优应用代码是不
pytorch上锁住整个网络结构的参数，报错：ValueError: optimizing a parameter that doesn't require gradients
使用场景：最近在复现《Triplet Distillation for deep face recognition》的蒸馏方法，使用深度学习框架pytorch。两个网络，一个网络要固定住参数，loss不回传，参数不更新；另一个网络使用第一个网络的loss进行loss计算，进行正常的网络更新学习； 网上找到一些方法：参考：https://blog.youkuaiyun.com/AManFromEarth/ar...
Redis持久化存储(AOF与RDB两种模式)
cache-only即只做为“缓存”服务，不持久数据，数据在服务终止后将消失，此模式下也将不存在“数据恢复”的手段，是一种安全性低/效率高/容易扩展的方式； persistence即为内存中的数据持久备份到磁盘文件，在服务重启后可以恢复，此模式下数据相对安全。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
915
扫一扫
