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
1.5k累计阅读
1.6k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
Ubuntu环境下Doubango库编译指南
Ubuntu操作系统自2004年首次发布以来，就以其强大的社区支持、开源特性和用户友好的特性获得了广泛的认可。其基于Debian Linux，专注于易用性和稳定性，每六个月发布一个新版本，每次更新都会提供最新且稳定的开源软件包。作为操作系统的重要分支，Ubuntu特别受到开发者的青睐。它的软件包库拥有超过 59000 个预编译软件包，覆盖各种应用程序和开发工具。此外，Ubuntu还支持多种架构，包括常见的x86和x86_64，以及更少见的ARM和PowerPC。
Doubango 入门
参考：http://www.cnblogs.com/DreamSea-for-Jimmy/archive/2011/07/28/2119877.html 1、简介 Doubango框架是3GPP IMS(多媒体子系统(移动业务))的一种实现，目前IMS已被3GPP国际组织标准化，IMS所支持的服务将能在任一种网络中实现,这些网络包括3GP LTE(4G), GPRS, WL
doubango库
这是doubango库,见，http://blog.youkuaiyun.com/haoyujie/article/details/79058786 boghe需要，telepresence也需要。
doubango协议栈相关知识！！！！-----阿冬专栏
一 从协议栈结构说起 来自大牛：http://blog.youkuaiyun.com/argpunk/article/details/7911382 自顶向下与自底向上 软件设计的两种方法不过于自顶向下与自底向上。 对于自顶向下而言，先设计好用户接口，再往下延伸至各个功能块的具体实现。而对于自底向上而言，自然是有了设计好的各个功能代码块，再将这些功能代码
LABVIEW学习之MODBUS-TCP通讯
LABVIEW学习之MODBUS-TCP通讯 1，MODBUS-TCP通讯介绍： MODBUS通讯是工业上面经常用到的一种通讯协议。该协议的原理及介绍不在此累述，下面直接介绍LABVIEW对此协议的应用。 2，MODBUS通讯所需的函数： 安装了DSC模块之后可以在数据通信内找到相关函数 3 ，主VI 主要思路就是使用状态机来进行连接 读取 写入 断开。使用枚举类型来选择状态： 1，连接 2，写入多个M继电器： 3，写入单个M继电器 4，写入双字节D...
QT实现串口通信
要实现串口通信，需要知道串口通信需要的信息 主要参数有：波特率、校验位、数据位、停止位、控制流 主要操作有：串口的打开和关闭、刷新设备串口、接发数据、开关显示灯等。 实现效果如图： 最后附赠完整源码。 第一步：在头文件中引入 QtSerialPort 类的两个头文件（必须引入） // 引入串口通信的两个头文件(第一步) #include <QtSerialPort/QSerialPort> // 提供访问串口的功能 #include <QtSerialPo
【亲测免费】 探索下一代网络：Doubango 开源IMS/LTE框架
探索下一代网络：Doubango 开源IMS/LTE框架 项目介绍 欢迎来到Doubango项目的世界！这是一个成熟的、开放源码的3GPP IMS/LTE框架，专为嵌入式和桌面系统设计。3GPP IMS（IP多媒体子系统）是提供IP多媒体服务的下一代网络标准，能够跨越各种网络类型，如3GPP LTE、GPRS、无线局域网、CDMA2000或固定线路。 项目技术分析 Doubango框架以ANSI-...
基于MS5351的三通道可编程时钟发生器设计
时钟发生器是数字系统时序验证与信号完整性测试的核心基础设备，其原理基于锁相环（PLL）对参考晶振进行倍频与分频控制，通过寄存器配置实现多路独立频率输出。技术价值体现在高精度、低抖动、快速切换与工程可部署性之间取得平衡，尤其适用于FPGA/ASIC参考时钟调试、ADC/DAC采样时钟验证及嵌入式硬件时序裕量评估等场景。本方案采用MS5351三通道时钟芯片与ESP32主控协同架构，在保证LVCMOS输出质量与I²C可编程性的前提下，优化电源噪声抑制、晶体负载匹配和跨板信号完整性，兼顾成本、周期与实测稳定性，为实
安卓Doubango架构的使用小结
作者：丁雪贞 一般APK整合进Android 的方法请参考下列步骤 1.将App加一个Android.mk文件，如附件 2.将App加到BSP中的gemtek/packages/apps/ 3.修改device/samsung/smdkv210/device.mk # Apps PRODUCT_PACKAGES += \ . .. Librs
STM8S全解析之系列文章4---STM8S芯片项目升级引导程序（使用中断接收升级数据）
STM8S全解析之系列文章4—STM8S芯片项目升级引导程序（使用中断接收升级数据） 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 文章目录STM8S全解析之系列文章4---STM8S芯片项目升级引导程序（使用中断接收升级数据）前言一、Flash划分boot和App二、使用步骤1.引入库2.读入数据总结 前言 用过STM8S都知道它没有中断向量重定向，也就意味着STM8S的中断向量没办法指向其他的位置，间接说明升级的引导
GPU架构-SIMT
本文深度剖析了GPU的SIMT架构，从硬件实现层面解析其与SIMD的本质差异。SIMT通过将32个线程捆绑为warp执行，在标量编程模型下实现数据并行。文章对比了SIMD和SIMT的执行模型、分支处理机制及存储层次，指出SIMT是对SIMD的虚拟化抽象。重点分析了Volta架构引入的独立线程调度技术，以及访存合并对性能的关键影响。通过定量数据展示了各代GPU架构的寄存器文件规模和线程调度机制，为开发者优化GPU程序提供了硬件层面的理论基础。
【原创】IMSDroid学习之一：编译doubango for android
编译步骤按照https://code.google.com/p/imsdroid/wiki/Building_Doubango的The easy way步骤进行编译： 准备编译环境：CentOS 7.1虚拟机中安装libtool、android-ndk等工具（ps：这里我使用的是当前最新的r10e版本的ndk，而没有使用上述wiki中使用的r9c版本，这个导致了后面问题的出现）； 在doubango
逆向淘宝x-mini-wua：从加密算法到设备指纹的生成逻辑
本文深入剖析了淘宝风控核心参数x-mini-wua的生成逻辑与加密算法。通过逆向分析，揭示了其作为设备“身份证”的作用，详细拆解了从硬件信息采集、SG_INNER_DATA文件解密、关键参数提取到最终长wua合成的完整技术链条，并探讨了模拟生成与绕过风控的实战思路及注意事项。
doubango包括哪些项目
doubango是一系列项目的合集，它包括以下项目集： 1 tinySAK Prefix: tsk API reference: http://doubango.org/API/tinySAK/ 2 tinySigComp Prefix:
【ComfyUI】VideoRefusion 动态替换视频背景
本文介绍了一个基于ComfyUI的视频背景替换工作流，通过WanVAE和WanTextEncoder核心模型实现人物与背景的智能分离与替换。工作流包含9个关键流程阶段，涉及视频采样、图像增强等节点操作，可生成风格统一、动作自然的视频效果。该技术适用于虚拟人物创作、短视频特效、产品广告等场景，支持个性化定制开发。相关资源可参考文末提供的ComfyUI教程和AIGC工具平台开发指南。（149字）
Allegro174版本如何关闭模块复用后铜皮自动从动态变成静态操作指导
在用Allegro进行PCB设计的时候，模块复用是使用的十分频繁的操作，当Allegro升级到了174 S034版本的时候，当使用模块复用的功能的时候，模块内的铜皮会自动动静转换，大部分情况是不需要的。版本如何关闭模块复用后铜皮自动从动态变成静态操作指导。如何关闭这个功能，具体操作如下。
doubango编译
doubango源码下载下来之后，对之进行编译，折腾了一天，才搞出来。本来对NDK也不是很熟，shell命令也懂的不多。结果就是在反复试了。编译静态库是在/doubango/android-projects/下面的buildAll.sh执行就Ok的。buildAll.sh只是指明了对哪些库进行打包，doubango的这些库是互相依赖的，详情可以看doubango官网。在google co...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
LINUX doubango编译详细过程记录
说明 本文章详细记录了编译doubango的详细过程。 为了保证移植的便利，所有用到的库，都自行编译。 参考文档 https://github.com/DoubangoTelecom/doubango/blob/master/Building_Source_v2_0.md 吾使用的是debango编译。 准备工作 apt update apt install gcc make camke...
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
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")
doubango sip 协议栈使用流程
doubango sip 协议栈使用流程: 1）.初始化 doubango sip协议栈依赖于tinyNET模块，所以必须先调用tnet_startup函数初始化，退出时调用tnet_cleanup清除资源，初始化sip 协议栈之前必须设置用户的域(realm参见（1）)及用户的私有（IMPI（2））及共有标别（IMPU（3））,这些为ims引
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
Doubango参数配置
NgnBaseService *mConfigurationService = _mEngine.configurationService; [mConfigurationService setStringWithKey:IDENTITY_IMPI andValue:phone]; [mConfigurationService setStringWithKey:IDENTITY
Sip协议栈Doubango设计分析
Sip协议栈Doubango设计分析 一从协议栈结构说起 参考：http://blog.youkuaiyun.com/argpunk/article/category/1177691 自顶向下与自底向上 软件设计的两种方法不过于自顶向下与自底向上。 对于自顶向下而言，先设计好用户接口，再往下延伸至各个功能块的具体实现。而对于自底向上而言，自然是有了设计好的各个功能代码块，再将这些功能代码块拼接成具体...
Doubango ims 框架 分析之 多媒体部分
csdn lidp http://blog.youkuaiyun.com/perfectpdl 序言 RTP提供带有实时特性的端对端数据传输服务，传输的数据如：交互式的音频和视频。那些服务包括有效载荷类型定义，序列号，时间戳和传输监测控制。应用程序在UDP上运行RTP来使用它的多路技术和checksum服务。2种协议都提供传输协议的部分功能。 RTP本身没有提供任何的机制来确保实时的传输或其他的
六 Doubango协议栈中对RTP的管理
相关数据结构 1. tsip_dialog_invite_t 描述： 一个invite_dialog代表了一个invite期间的所有的信令流程，因此，它首先是一个普遍的dialog的特殊化结构，在该结构的起始部分，有一个TSIP_DECLARE_DIALOG声明，该声明展开后是一个tsip_dilog_t __dialog字段的定义，这是一种在C中一个具化对象对通用对象的继承机制，ts
Doubango ims 框架分析之 sip协议栈
本人承接 sip/ims 视频客户端定制开发，提供IMS硬终端solution,支持接入sip软交换,ims核心网，支持 语音，视频，即时通信功能，视频格式支持 h263,h264，mpeg4 软编软解，提供硬件编解码接口对接，支持基于三星 sp5v210，trident, 海斯芯片H264 硬件编解码，提供服务器，有兴趣请联系我。 VOIP行业资讯和技术趋势请参考： www.voip123
webrtc doubango linphone
1、doubango官网：http://www.doubango.org/ 2、doubango是一个开源的VOIP基础平台， 并能用于嵌入式和桌面系统的开源框架，该框架使用ANSCI-C编写，具有很好的可移植性。 3、根据doubango的框架、特点与linphone的对比，显然doubango更适合做视频会议系统和视频会议终端的选择，理由？根据linphone的rtp会话管理可见只适合2方...
Doubango
开源sip项目doubango ，android平台编译——imsdroid imsdroid 装载Android模拟器上，一下对整个安装过程以及遇到的问题进行总结： 1 利用svn下载整个imsdroid项目相关文件夹，地址： http://imsdroid.googlecode.com/svn/branches/2.0 2 打开eclipse，File->Imp
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
761
扫一扫
