hzy001

最新推荐文章于 2024-11-02 16:50:32 发布
原创 最新推荐文章于 2024-11-02 16:50:32 发布 · 347 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。

老渡头    挂上了弦月
月残缺   却比寻常皎洁
我无非   有心多留了一夜
芦苇风  不停歇
鱼贯随波逐流 时而无心 时而随性哼着
浓墨重彩中道破了灯火声色
千山人迹灭    万径孤鸿一撇
唯剩下你我    追忆着雁城雪
遣楚词伤尽离别  谁又敢取悦
刀剑潜入梦   难再庄生蝴蝶
明夜我邀约   对钓这寒江雪
ceshizxcvbnm
关注
祥云杯2021web writeup
hezhing
08-27 3944
太菜了，一个web都没做出来。接下来是复现。好好学习一下大佬们的姿势，也记录一下。 参考师傅们的wp，网上有的，侵权删。
【用户画像】ClickHouse中的SQL操作、副本介绍和配置、分片集群环境配置和使用
weixin_43923463的博客
11-03 1241
这里分为两种数据，一是分布式表和本地表同节点的数据，一是分布式表和本地表不同节点的数据，如果直接发送，远端到分布式表，分布式表再到不同节点，这样远端会阻塞这个请求。以后有请求，直接发送给分布式表，分布式表根据写入的算法（如哈希值）分发到不同的机器上，真实存储数据的表称为本地表，分布式表不存储数据，只是一个逻辑表，分布式表不用部署在多台机器上，在一台机器上就足以，如下图中，分布式表和A本地表可以在同一个机器上。每次插入数据，以分区为单位，如果插入的一批数据中，有一条数据不同，就会将所有的数据全部插入进去。
iOS 远程推送 （swift ＋java后台）
berlor的专栏
11-10 2608
找到刚刚安装的证书 右键导出 选择 p12 类型 然后 输入密码 这个 文件 在 java 上要用到
【ASM】ASM基础知识
小麦苗DBA宝典
06-25 990
【ASM】ASM基础知识 市场占有率 ASM自动存储管理技术已经面世10多个年头，目前已经广泛...
hadoop初体验Linux指令学习
kuikui1452的博客
11-18 333
知识点一 Hadoop简介 知识点二 Hadoop简介2 知识点三 HDFS和MapReduce简介 知识点四 Linux命令回顾 查看网卡信息 ifconfig 查看文件(不包括隐藏) ls 查看文件(包括隐藏) ls -a 查看文件长格式 ls -l 查看当前工作目录 pwd 查看pwd命令帮助 help pwd 知识点五 Linux环境准备 配置主机名 vi /etc/sysconfig/n...
【VUE】使用vscode创建vue模板工程报错：“vue : 无法加载文件 C:\Users\xxx\AppData\Roaming\npm\vue.ps1，因为在此系统上禁止运行脚本”
relnardo的博客
08-01 377
开发环境：vscode，vue2.9.6 问题复现：执行 【vue init webpack myweb】 命令 解决方案： 1.以管理员身份运行 Windows PowerShell 2.输入命令 【set-ExecutionPolicy RemoteSigned】 ，接着输入 【Y】
21个项目玩转深度学习：基于TensorFlow的实践详解03—打造自己的图像识别模型...
weixin_30252709的博客
11-09 702
书籍源码：https://github.com/hzy46/Deep-Learning-21-Examples CNN的发展已经很多了，ImageNet引发的一系列方法，LeNet，GoogLeNet，VGGNet，ResNet每个方法都有很多版本的衍生，tensorflow中带有封装好各方法和网络的函数，只要喂食自己的训练集就可以完成自己的模型，感觉超方便！！！激动！！！因为虽然原理流程了解了...
2021-05-28
qq_42524971的博客
05-28 666
一、基于Verilog HDL的数字秒表仿真 实验环境：Quartues 13.0 仿真环境：modelsim 13.0 1.1创建工程以及verilog HDL文件 关于在Quartues工程的创建笔者就不在此赘述了。 结果如下： 1.2在文件中编写时钟代码 参考代码： module Clock(clk,reset,pause,msh,msl,sh,sl,minh,minl); //其中msh为百分秒的十位,msl为百分秒的个位,sh为秒的十位,sl为秒的个位,minh为分的十位,minl为分的个位 i
安卓实训：基于存储卡音乐播放器V0.3
qwwoie的博客
01-12 157
一、知识点 标签（TextView） 按钮（Button） 媒体播放器（MediaPlayer） 进度条（ProgressBar） 线程（Thread） 消息处理器（Handler） 列表视图（ListView） 二、功能 播放存储卡上一首音乐 ,上一首与下一首可切换 播放|暂停按钮，可切换 显示要播放的音乐名 要求窗口有背景图片 有进度条 播放时长、位置 播放进度清零 自动切换到下一首音乐播放 三、创建安卓应用 将图片素材拷贝到Drawable目录 创建按钮背景图片选择器 创建暂停一个背景图片选
如何优雅地用TensorFlow预测时间序列：TFTS库详细教程
kwame211的博客
09-27 2335
如何用TensorFlow结合LSTM来做时间序列预测其实是一个很老的话题，然而却一直没有得到比较好的解决。如果在Github上搜索“tensorflow time series”，会发现star数最高的tgjeon/TensorFlow-Tutorials-for-Time-Series已经和TF 1.0版本不兼容了，并且其他的项目使用的方法也各有不同，比较混乱。 在此前发布的
/地盘电机驱动 #include "DI_PAN/PID.h" #include"hzy.h" //模板数组 IntArray4 enc; DoubleArray4 speed; //获取编码值和速度 void bian_ma() { //当前编码值 int dang_qian_bian_ma0=encoder0.getEncoder();//左轮电机编码(值) int dang_qian_bian_ma1=encoder1.getEncoder();//右轮电机编码(值) int dang_qian_bian_ma2=encoder2.getEncoder();//升降电机编码(值) int dang_qian_bian_ma3=encoder3.getEncoder();//升降电机编码(值) //读取当前编码速度 _0bian_ma_sd = dang_qian_bian_ma0-shang_ci_bian_ma0;//左轮电机编码(速度) _1bian_ma_sd = dang_qian_bian_ma1-shang_ci_bian_ma1;//右轮电机编码(速度) _2bian_ma_sd = dang_qian_bian_ma2-shang_ci_bian_ma2;//升降电机编码(速度) _3bian_ma_sd = dang_qian_bian_ma3-shang_ci_bian_ma3;//旋转电机编码(速度) // 读取编码器累加值 _0bian_ma_zhi += _0bian_ma_sd; _1bian_ma_zhi += _1bian_ma_sd; _2bian_ma_zhi += _2bian_ma_sd; _3bian_ma_zhi += _3bian_ma_sd; //上次编码值 shang_ci_bian_ma0=dang_qian_bian_ma0; shang_ci_bian_ma1=dang_qian_bian_ma1; shang_ci_bian_ma2=dang_qian_bian_ma2; shang_ci_bian_ma3=dang_qian_bian_ma3; // printf("左轮电机编码值M0:%d,右轮电机编码值M1:%d,升降电机编码值M2:%d,旋转电机编码值M3:%d\n",_0bian_ma_zhi,_1bian_ma_zhi,_2bian_ma_zhi,_3bian_ma_zhi); // printf("左轮电机编码M0速度:%f,右轮电机编码M1速度:%f,升降电机编码速度M2:%f,旋转电机编码M3速度%f\n",_0bian_ma_sd,_1bian_ma_sd,_2bian_ma_sd,_3bian_ma_sd); } //读取编码速度 void enc_read(IntArray4& v_e)//静态数组使用array模板作为形参 { int enc[4]; static int last_enc[4]={0};//必须是static并初始化 enc[0] = _0bian_ma_zhi;//获取编码值 enc[1] = _1bian_ma_zhi; enc[2] = _2bian_ma_zhi; enc[3] = _3bian_ma_zhi; for(int i=0;i<4;++i)//输出编码速度 { v_e[i]=enc[i]-last_enc[i]; if(v_e[i]>100)v_e[i]=100;//防止编码溢出 if(v_e[i]<-100)v_e[i]=-100; last_enc[i]=enc[i];//保存上一次编码值 } } //速度pid 目标值 实际值 pwm p系数 i系数 void pid_calculate(const DoubleArray4 mu_biao,const IntArray4 encoder,DoubleArray4& pwmout,double kp,double ki,double xf) { DoubleArray4 cha_zhi;//无需static static DoubleArray4 shang_ci_cha_zhi={0},p_out,i_out;//需要static static IntArray4 i;//给pwm强制置零计数 static int dt=0; for (int j = 0; j < 4; j++) //储存 目标值-当前跑的实际值 { cha_zhi[j]=mu_biao[j]-encoder[j]; p_out[j]+=(cha_zhi[j]-shang_ci_cha_zhi[j])*kp; if(p_out[j]>xf)p_out[j]=xf; if(p_out[j]<-xf)p_out[j]=-xf; i_out[j]+=cha_zhi[j]*ki; if(i_out[j]>xf)i_out[j]=xf; if(i_out[j]<-xf)i_out[j]=-xf; // cout<< "sb编码" << encoder[j] << endl; // cout<<"p"<<p_out[j]<<endl; // cout<<"i"<<i_out[j]<<endl; pwmout[j]=p_out[j]+i_out[j]; if(pwmout[j]>xf)pwmout[j]=xf; if(pwmout[j]<-xf)pwmout[j]=-xf; shang_ci_cha_zhi[j]=cha_zhi[j];//保存上一次差值 if(mu_biao[j]==0)//给pwm强制置零 {i[j]++;if(i[j]>100)i[j]=101,pwmout[j]=p_out[j]=i_out[j]=0;} else i[j]=0; } } //设置电机速度 void set_speed(const DoubleArray4 target,const IntArray4 enc)//目标值和实际值 { DoubleArray4 pwm; double kp_values[4] = {0.0101, 0.01, 0.01, 0.01}; // 每个电机的比例系数 double ki_values[4] = {0.0005, 0.0005, 0.004, 0.001}; // 每个电机的积分系数 for (int j = 0; j < 4; j++) { pid_calculate(target, enc, pwm, kp_values[j], ki_values[j], 0.99); // printf("Motor %d PWM: %.2f\n", j, pwm[j]); } dian_ji_0=pwm[0]; dian_ji_1=pwm[1]; dian_ji_2=pwm[2]; dian_ji_3=pwm[3]; // titan.SetMotorSpeed(pwm[0], 0); // titan.SetMotorSpeed(pwm[1], 1); // titan.SetMotorSpeed(pwm[2], 2); // titan.SetMotorSpeed(pwm[3], 3); }写这样的一个程序要从哪里开始
08-05
### 电机驱动程序的编写方法 #### 1. 编码器读取 在编写电机驱动程序时，第一步是实现编码器的读取功能。编码器用于测量电机的实际转速和位置。通常，编码器的输出是一个脉冲信号，每个脉冲代表电机旋转的一定角度...
9.StatefulSet有状态服务管理
java程序鱼的博客
11-02 985
从前面的学习我们知道使用Deployment创建的pod是无状态的，当挂载了Volume之后，如果该pod挂了，Replication Controller会再启动一个pod来保证可用性，但是由于pod是无状态的，pod挂了就会和之前的Volume的关系断开，新创建的Pod无法找到之前的Pod。但是对于用户而言，他们对底层的Pod挂了是没有感知的，但是当Pod挂了之后就无法再使用之前挂载的存储卷。
【用户画像】用户画像添加标签、定义标签任务、搭建工程
weixin_43923463的博客
10-25 3034
接下来的任务：利用在网页端填写的规则计算出想要得到的标签结果。已有数据，存放在MySQL中：1 整数 2 浮点 3 文本 4 日期tag_info：标签定义（id，标签编码，标签名称，标签等级，上级标签id，标签类型【99类目，1统计型，2规则性，3挖掘型】，标签值类型【1 整数 2 浮点 3 文本 4 日期】，标签对应的计算任务id，标签说明，更新时间，创建时间）
基于SSM与Vue架构的病人跟踪治疗信息管理系统设计与实现（含源码及文档）
12-22
基于SSM架构与Vue技术构建的病人治疗追踪管理系统，采用Java编程语言实现业务逻辑，并以MySQL数据库作为数据存储支持。该系统主要包含三个用户角色：管理员、病人及普通访客。 管理员具备的功能模块包括：主界面、个人设置、病人档案管理、病例信息采集、预约安排、医生信息维护、核酸检测报告上传管理、行动轨迹记录管理、疾病分类配置、病人治疗进度跟踪、留言板处理以及系统参数管理。病人用户可操作：主界面、个人设置、病例信息查看、预约申请、医生查询、核酸检测报告上传、行动轨迹上报、个人治疗状态查询。访客端提供：首页浏览、医生信息展示、医疗资讯发布、留言反馈提交、个人中心、后台入口及在线咨询服务。 系统设计注重代码结构的清晰性与可维护性，强调功能实用性和界面简洁度，同时保持较强的扩展适应能力，便于后续功能升级与日常运维。 项目已通过实际运行测试，开发环境配置如下： - 编程语言：Java - 开发框架：Spring Boot - Java开发工具包：JDK 1.8 - 应用服务器：Tomcat 7 - 数据库系统：MySQL 5.7 - 数据库管理工具：Navicat 12 - 集成开发环境：Eclipse或IntelliJ IDEA - 项目构建工具：Maven 3.3.9。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
电力系统单机无穷大电力系统短路故障暂态稳定Simulink仿真（带说明文档）
最新发布
12-22
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真（带说明文档）内容概要：本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开，提供了完整的仿真模型与说明文档，重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型，模拟不同类型的短路故障（如三相短路），分析系统在故障期间及切除后的动态响应，包括发电机转子角度、转速、电压和功率等关键参数的变化，进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理，掌握暂态过程分析方法。; 适合人群：电气工程及相关专业的本科生、研究生，以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标：①学习电力系统暂态稳定的基本概念与分析方法；②掌握利用Simulink进行电力系统建模与仿真的技能；③研究短路故障对系统稳定性的影响及提高稳定性的措施（如故障清除时间优化）；④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议：建议结合电力系统稳定性理论知识进行学习，先理解仿真模型各模块的功能与参数设置，再运行仿真并仔细分析输出结果，尝试改变故障类型或系统参数以观察其对稳定性的影响，从而深化对暂态稳定问题的理解。
这是一个基于Prisma和SQLite数据库构建的现代化轻量级且开箱即用的个人作品集展示平台后端服务系统_该项目核心功能包括用户认证授权作品数据模型管理文件上传存储以及提供标.zip
12-22
这是一个基于Prisma和SQLite数据库构建的现代化轻量级且开箱即用的个人作品集展示平台后端服务系统_该项目核心功能包括用户认证授权作品数据模型管理文件上传存储以及提供标.zip
基于PSO算法优化支持向量机参数的MATLAB仿真源码：SVM与PSO-SVM性能对比
12-22
本研究聚焦于运用MATLAB平台，将支持向量机（SVM）应用于数据预测任务，并引入粒子群优化（PSO）算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践，其核心在于利用SVM构建分类模型，同时借助PSO的全局搜索能力，高效确定SVM的最优超参数配置，从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法，其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界，以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题，其有效性源于通过核函数将原始数据映射至更高维的空间，使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下，每个潜在解被视作一个“粒子”，粒子群在解空间中协同搜索，通过不断迭代更新自身速度与位置，并参考个体历史最优解和群体全局最优解的信息，逐步逼近问题的最优解。在本应用中，PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理（如标准化处理）、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数（例如线性核、多项式核及径向基函数核等）进行参数寻优，并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开，从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例，旨在演示如何将全局优化算法与机器学习模型相结合，以解决模型参数选择这一关键问题。通过此实践，研究者不仅能够深入理解SVM的工作原理，还能掌握利用智能优化技术提升模型泛化性能的有效方法，这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
jank_record_1766403318764055404.pb
12-22
jank_record_1766403318764055404.pb
分层模糊系统：梯度下降与递推最小二乘法联合辨识研究（Matlab代码实现）
12-22
分层模糊系统：梯度下降与递推最小二乘法联合辨识研究（Matlab代码实现）内容概要：本文围绕“分层模糊系统：梯度下降与递推最小二乘法联合辨识研究”展开，介绍了基于Matlab代码实现的分层模糊系统参数辨识方法。通过结合梯度下降法和递推最小二乘法，实现对系统结构和参数的高效联合辨识，提升模型精度与收敛速度。文中详细阐述了算法原理、实现步骤及仿真验证过程，展示了该方法在非线性系统建模与辨识中的有效性，适用于复杂动态系统的建模与控制研究。; 适合人群：具备一定Matlab编程基础和系统辨识理论背景的研究生、科研人员及自动化、控制工程等相关领域的技术人员。; 使用场景及目标：①应用于非线性动态系统的建模与参数辨识；②用于提高模糊系统训练效率与预测精度；③支持科研复现、算法优化及工程实际中的系统辨识任务； 阅读建议：建议读者结合提供的Matlab代码进行实践操作，深入理解两种优化算法的融合机制，并尝试在不同数据集或应用场景中进行迁移与改进，以掌握其核心思想与实现技巧。
opencv 中HZY格式照片
05-31
好的，用户的问题是关于如何在OpenCV中处理HZY格式的照片，特别是文件读取与转换。首先，我需要确认HZY格式是否真实存在或者是否是某种特定的自定义格式。根据现有的知识库引用，用户之前提到的引用[3]涉及到数据...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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