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
200+累计阅读
249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
完成了大学的教育之后，已经具备了基础，接下来就应该在江湖中去锻炼自己了。。。。。。。。。
大学教育不可能把所有的知识都教给我们，很多知识需要自己在社会上去领悟和自学，如果老觉得知识不够
就说明自己的自学能力不够强。。。。。。
像一颗野草一样，在风雨中接受磨练。。。。不能够老呆在温室里面
出来混就要坚持下去。。。不要想再回头的事情。。。。。。。。。。
自己接触了各种项目和工程，就要自己拿起来，一直坚持做下去，不管怎么样，遇到不理解的地方，就自己想办法
去自学和领悟，事事都求老师和学校，是不现实的。。。
坚持山寨精神，完成自己的项目和工程。。。。不管怎么样，不回头。。。。
不学宋江等人，山寨就山寨到底。。。。。。野就野到家。。。
计算机硬件和网络基础设施建设
基于STM32F407的DDS信号源设计与实现：DAC+DMA+TIM的高精度波形生成
本文详细介绍了基于STM32F407微控制器实现高精度DDS信号源的完整方案。通过结合DAC、DMA和TIM外设，并运用DDS算法，实现了分辨率高达0.001Hz的波形生成。文章深入剖析了相位累加器、波表查表等核心原理，提供了从CubeMX配置到代码实战的完整指南，并探讨了性能优化与高频输出问题的解决方案。
博弈论——万元陷阱和智猪博弈
1 万元陷阱 现将10000元拍卖给大家，各位互相竞价，以100元为加价单位，直到没有人再加价为止。出价最高者以其所出价格获得该10000元钱，同时，出家第二高的将其所出价格的数量支付给我。 请问：您的竞拍策略？ 这个游戏是耶鲁大学经济学家苏比克（M.Shubik）发明的，像拍卖钱的人几乎屡试不爽地从这拍卖会里“赚到钱”。它是一个具体而微地“人生陷阱”，参与竞价地在这个“陷阱”里越陷越深，不能自拔，最后都付出了痛苦的代价。 自古以来，人类为捕杀动物所设的“陷阱”，有三个特征： （1） 有一个明显的
微信Dat文件转图片（文末含工具下载）
PC端微信dat图片转换为jpg格式
联想LePad平板电脑不久上市
<br /> p { margin-bottom: 0.21cm; } <br /> 在今年CES国际电子大展上，联想的平板电脑LePad初次露面。近日，联想确认，LePad平板电脑将于3月底在国内上市。<br /> <br /> 联想是全球第四大PC厂商，在中国市场占据绝对优势，牢牢占据第一的位置。今年一月份，联想成立了新的事业部，专注于开发平板电脑等移动设备。据有关分析认为，2011年，全球平板电脑销量可以达到5,480万台，苹果、惠普、戴尔、联想、三星和宏碁等P
避坑指南：OpenWRT改AP模式必做的5个关键设置（DHCP/防火墙/WAN口处理）
本文详细解析了将OpenWRT设备从路由模式切换为AP模式时，必须完成的五个关键设置步骤。核心在于理解AP模式本质是带无线的智能交换机，需彻底关闭DHCP服务、调整防火墙策略、正确桥接所有物理接口（包括WAN口处理），并集成无线网络，以确保设备能透明接入主路由网络，避免出现设备隔离或无法互访等常见问题。
spyglass之功耗分析
用于功耗分析的软件除了ptpx外，spyglass也可以。ptpx的功耗分析是基于netlist(网表)进行的，一般用于分析综合后的pre功耗和P&R后的post功耗，但这已经是项目进行到比较后期了，如果后期发现功耗数据与我们目标功耗相差较大，则意味着需要功耗优化，这时有可能会将项目计划节点延迟。如果在前期designer可以获得设计模块的功耗数据，可提早优化功耗，spyglass则为designer提供了一个很好的手段去评估功耗，从而提前优化功耗。
创投恩怨情仇录
《等等等》《开关系——Web3.0关系为王》《口碑》《开关系在知乎被美女猎头推荐引来不少口碑流量》《投资人名单》《找人投资还是自力更生？》《创业投资的能力》《创业前的四大资源》《创业需要哪些创业基础》《创业的“大风口”》《美国资金缺口》《旧金山创业者的蚁居时代》《奢侈的互联网创业》《异化的中国创投行业》《2012年中国创业环境》《2012年上半年金融服务行业创业投资报告》《中国成为全球白手起家的亿
一个中科大差生的8年程序员工作总结
今年终于从大菊花厂离职了，离职前收入大概60w不到吧，在某乎属于比较差的，今天终于有空写一下自己的职场故事，也算是给自己近8年的程序员工作做个总结复盘。近8年有些事情做对了，也有更多事情做错了，在这里记录一下，希望能够给后人一些帮助吧，也欢迎私信交流。文笔不好，见谅，有些细节记不清了，如果有出入，就当是我编的这个故事吧。 PS：有几个问题先在这里解释一下，评论就不一一回复了 1、关于差生，我本人在科大时确实成绩偏下，差生主要讲这一点，没其他意思。 2、因为买房是我人生中的大事，我认为需要记录和总结一下
预防采购欺诈的“欺诈三角论”
欺诈三角论认为，企业采购欺诈产生的原因是由压力、机会和自我合理化三要素组成的。本文我们将讨论如何使用欺诈三角论来防止采购欺诈。 一、压力 压力因素本质上是促使人们进行欺诈的因素。实际上，压力通常与金钱相关，可分为两类：个人压力或职业压力。 个人压力的例子： ▪没有报酬的个人债务 ▪对地位象征的渴望（金钱、房子、汽车等） ▪无力支付账单 职业压力的例子： ▪需要达到工作效率目标 ▪需要证明财务收益 ▪感觉工作处于危险之中如何减轻压力？ 1.适当的补偿——适当的补偿取决于组织、国家和员工个人，..
「UG/NX」BlockUI 树列表（回调函数）
官方对树控件提供了21种回调函数，树的一些操作可以在这些回调函数中进行操作。
uniapp：实现APP获取陀螺仪数据、加速传感器、线性加速传感器，uniApp实时监听陀螺仪【XYZ】数据及停止监听与资源释放等功能示例源码，根据需求做功能（完美兼容Android安卓、苹果ios）
uniapp陀螺仪，uniapp加速传感器，uniapp线性加速传感器，APP陀螺仪数据，uniapp app 端获取陀螺仪数据示例代码，手机中获取陀螺仪的数据，uniApp实时获取陀螺仪xyz数据，android陀螺仪方向,获得陀螺仪传感器，处理传感器数据，停止监听与资源释放，Android使用陀螺仪，uniapp苹果ios陀螺仪，uni-app设备之（加速计，罗盘，陀螺仪）插件安卓/IOS APP提供了获取陀螺仪数据的能力，手机陀螺仪传感器获得手机自身旋转的角度，陀螺仪获取旋转角度，陀螺仪、加速度传感器
中国大学MOOC_浙大博弈论基础笔记4-5
中国大学MOOC_浙大博弈论基础笔记4-5 课程链接：中国大学MOOC_浙江大学_博弈论基础 第四讲 万元陷阱和智猪博弈 第一节 万元陷阱 1.1 规则 万元陷阱： 现将 10000 元拍卖给大家，各位互相竞价，以 100 元为加价单位，直到没有人再加价 为止。出价最高者以其所出价格获得该10000 元钱，同时，出价第二高者将其所出价格的数量支付给我。 请问：您的竞拍策略？ 这个游戏是耶鲁大学经济学家苏必克 (M.Shubik) 发明的，想拍卖钱的人几乎屡试不爽地从这拍卖会里 “赚到钱” 。它是一个具体
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")
【计算机本科】:一个很好的关于计算机读研的说法
笨蛋不会骗自己，因为，他还没那个本事。教授经常骗自己，不过，本文的重点不在于此。介于“大愚”和“大智”之间的研究生，在用谎言欺骗自己方面，可谓是高手，高手，高高手！他们敢于骗自己，那怕骗到“倾家荡产”；他们善于骗自己，甚至骗到根本不信“自己其实是在骗自己”；他们更乐于骗自己，“即使是把自己卖了，还在帮别人数钱”！谁说雷锋下岗了？那些乐于长年骗自己的研究生其实就是源源不断的“活雷锋”嘛！ 列位看官，读
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
贝叶斯统计 [韦来生编]
贝叶斯（Bayes）统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外，还要利用参数的先验信息，因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”，近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论，介绍了贝叶斯统计的若干基本概念，同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法，包括蒙特卡洛方法和马尔可夫链蒙特卡洛（MCMC）方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题，书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容，教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲，留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容，以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中，中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版，作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
研究生如何骗自己
研究生如何骗自己 杨义先 北京邮电大学信息安全中心主任 灵创团队带头人 儿童不会骗自己，因为，他还很纯洁。 笨蛋不会骗自己，因为，他还没那个本事。 教授经常骗自己，不过，本文的重点不在于此。 介于“大愚”和“大智”之间的研究生，在用谎言欺骗自己方面，可谓是高手，高手，高高手！他们敢于骗自己，那怕骗到“倾家荡产”；他们善于骗自己，甚至骗到根本不
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
创投恩怨情仇录
本文由开关系创始人曹志士整理，请先从他的烦恼《等等等》看起。由于本站是放在美国的一个小空间，请大家悠着点访问哈。同时，谢谢您关注开关系（ http://KaiGuanXi.com ），一个慢公司。能登上金字塔的生物只有两种——鹰和蜗牛。我保证不了自己生来就能做得了鹰，但是我能耐下心来踏踏实实努力做好蜗牛。（本文一直在更新，已经由原来的150篇陆陆续续汇总到185篇再到271篇了；更新得累啊，以后就
【计算机本科】 一个很好的关于计算机读研的说法
【计算机本科】 一个很好的关于计算机读研的说法
为工作流设计矩阵数据结构存在的问题[2013.6.27更新]
从很多网络上公开的工作流研究方面的论文来看，很多研究者都用过矩阵表示工作流图，矩阵天生就是表示图形拓扑连接的一种数学工具，加之在程序设计上面，采用二维数组+自定义数据结构就可以很好的实现一个矩阵，所以用矩阵来为工作流图建模是一个发展的方向，但是今天在继续开发矩阵工作流数据结构的时候，发现这里还存在几个关键性的问题需要解决 目前已经实现的工作流矩阵模型的构建是这样的，如下有一个
未来的私人工作室是什么样的？
钢铁侠里面的那个机械臂和人工智能辅助系统肯定是基本配置 3D打印系统(快速制造系统) 数字信息检索系统(数据库中包含海量的数字图书和期刊资料,保证可以随时查询出需要的知识和参数) 可以连接卫星系统的网络设备 太阳能发电装置和不依赖外界供给的能源储备系统 高性能服务器和工作计算机，大容量存储系统
[DIY]组装笔记本电脑的市场机会不容错过
可能大家玩组装台式计算机已经玩腻了,现在要往更高层次上面发展了,我们就直接来芯片级组装,而不是板卡级组装,INTEL和其它一些致力于DIY市场的企业,能够满足我们这些有20年DIY经验的玩家的需求吗? 推出一些定制性的芯片和裸板,让我们自己开发自己的专属计算机平台...和DIY一样,只不过我们要动动焊台和一些电子仪器........ 不满足于板卡级DIY的计算机爱
[Java语言]JAVA系统支持硬件平台开发的能力显得不足
虽然在应用层次上，JAVA语言的适用性要高于C语言，但是在很多核心系统中，C语言的市场占有率仍然大大超过JAVA语言 而我们开源项目在进入并掌握了中低端的应用平台系统的开发领域之后，肯定要想办法进入高端领域，特别是那些原来一直被专用 硬件系统和C语言+汇编语言系统所支配的信息技术领域。。。。。。。。。。。。。 所以，JAVAER们。。。。。。。我们前面的道
[JWFD应用]开源路由器的一些原理
JAVAEYE这几天估计被攻击了,我们转战优快云........... 大家如果有兴趣研究开源硬件,可以考虑一下用JWFD的ARC自动运行控制器算法来实现一个基于PC机的开源路由器的核心算法.....具体的设计我还在研究中,不过可以透露一点的是,使用ARC算法和JWFD的数据库设计,我们可以不用花什么钱就自己构造出一个自己的路由器系统出来........... 要说
复杂拓扑流程密码系统的构想
采用复杂拓扑网络进行密码系统设计的原理性问题的讨论 大家都知道，一个拥有10W个节点的复杂拓扑网络的路径非常复杂，甚至可以说不可计算的，那么是否可以这样认为呢？ 这个世界上最安全的密码系统就是生物的神经网络？ 每个节点都带有计算模块和数据的复杂流程图，其自动数据处理过程完全是非线性的，从外面是无法完全破解的，你再厉害也无法完全控制一个成年人的思想，是吧？
中国工作流厂商形成战略联盟的必要性
虽然我只是一个技术爱好者，但是平日里也很喜欢看一些国际关系方面的资料，在冷战时代，有个不结盟运动组织，其宣言是号召那些从西方殖民统治下独立的第三世界国家不要和任何势力结盟，而形成一个紧密的国际间联盟，几十年以后，会过头来看，这些利用二战和冷战的机会从西方统治下独立的小国家自从苏联解体之后，纷纷被北约重新瓦解并控制，不得不说明，这个不结盟运动是个历史错误。。。。 小国家和弱者要在弱肉强食
毕业证正面照
超空间传送
一般认为，要实现超空间传送一个物体或者一个人，需要使用能量场去打开一个空间之门，让相隔万里的两个空间点互相 链接起来，比如说，从中国河南到美国纽约，用一个门就可以链接起来，无论是谁入侵谁，这种技术都很方便 但是，实际上，地下的地质结构本身就带有这种超空间传送的机制在里面，根本不需要能量，地下洞穴本来就可以传送 人和物体到另外一个洞...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
505
扫一扫
