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
300+累计阅读
323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
太阳每分每秒都在向地球辐射四种微子，中微子，纳微子，少微子，星微子，这四种微子辐射可以轻松穿透地球所有时空和地层，并且专门扫描地球所有时空的生物基因代码和数据包，四种微子分别扫描鸟嘌呤，嘧啶等四种碱基对，一对一的扫描，一发现
有基因数据，立即就把这些基因数据传送到太阳船里面，进行量子解密。。。。只有有一点密码子被发现，太阳船立即暴力破解
很快，太阳将获得这种新生物的基因盘，然后进行改造和复制。。。其他恒星系统长到13岁，都具有这种能力。。。
所有，地球上的生物。。。。特别是高等生物，比如说人类，在进行各种交往的运动的时候，要注意这种情况。。。晚上，云层厚的时候，没有月亮，没有星星的时候。。。。才是。。。好时候。。。
我们这个太阳系的太阳神，是38岁破处的，所有这个太阳系的核力量没有达到第二宇宙的水平，太阳神的职业是火车头技师，所以12宫里面的第一关是金牛座，交通运输部就是太阳神的御用机构，属于第一序列。。。
原来太阳神他们，在昆仑上上面的宫殿里面玩的时候，遇到王母娘娘。。。哎呀。。。没有把持住啊。。。
小型遥控太阳能垃圾船
本文介绍一种小型遥控近岸漂浮垃圾收集船，具备浅吃水、低成本特点，适用于浅水区及礁石附近作业。船只配备漂浮拦截网和太阳能辅助供电，通过基于网页的遥控界面实现跨平台控制，支持GPS定位与自动导航，有效提升近海垃圾清理效率。
详细船舶信息爬虫教程：船讯网根据MMSI爬取对应船舶属性信息|附python爬虫代码
这里爬取的内容包括了船舶的**mmsi,imo，船舶宽度，船舶长度，船舶吃水深度**等比较详细的信息，***大体思路是根据Post得到数据然后我导入了mysql的数据库里。***
trail_crawling.rar
针对船讯网轨迹数据做MMSI唯一标识符以及轨迹的爬取
【求助】船讯网爬AIS静态数据，一直显示401
船讯网爬ais数据，报错401.
船讯网API典型应用场景介绍
船讯网API典型应用场景介绍
基于Python实现船舶的MMSI的获取(推荐)
目的 工作中遇到一个需求，通过需要通过网站查询船舶名称得到MMSI码，网站来自船讯网。 分析请求 根据以往爬虫的经验，打开F12，通过输入船舶名称，观察发送的请求，发现返回数据的网址 本身网址是一个get请求，直接用这个网址请求，也能返回数据，即网址本身并没有加密，这就简单许多，直接通过改变参数，就能实现数据的获取，马上开始动手 编写代码 代码中，通过request发送请求，为了不给服务器造成太大压力，每隔0.5秒发送一个请求，因为会出现查询不到的情况，通过exception判断，数据结果一是通过pandas中的to_excel存为excel文件，或者是直接通过pymysql入数据库，
古埃及太阳船能否通往天国？
古埃及太阳船壁画太阳船博物馆位于吉萨金字塔区内 在遥远的过去，曾有一个文明爱尼罗河所赐，开出了灿烂的花朵。它的子民建造出巨大的金字塔和神庙，深信人死后会再复生，可经由复活获得永恒的生命，它就是古埃及文明。随着时光的流逝，古埃及文明也渐泯灭。但由复活所留下的诸多遗产，虽经数千年的阻隔，仍紧紧扣住世人的心弦。 上世纪40年代，埃及政府开始着手清理吉萨台地的3大金字塔
OpenClaw 最强技能 self-improving-agent 详解：让 AI 从错误中自主学习
self-improving-agent 是 OpenClaw 生态中最受欢迎的技能插件，下载量突破 268k。它能让 AI 记住犯过的错误和解决方案，实现持续自我改进。本文深入讲解其工作原理、安装配置和实战案例。测试数据显示：部署流程时间从 15 分钟降到 2 分钟（87%↓），API 调试时间从 2 小时降到 20 分钟，数据库查询编写时间减少 90%。文章包含完整架构图、配置文件示例、3 个详细实战案例和性能测试数据，适合开发者、运维和数据分析师使用。
央视：亚马孙地区迎来汉能太阳能船
近日，央视二套的《经济信息联播》栏目就汉能在厄瓜多尔当地建造的太阳能船的使用以及影响进行了播报。 据了解，这艘名为“梦想号”太阳能船是汉能薄膜发电集团（香港联交所股份代号：566；以下简称“汉能”）美洲公司应厄瓜多尔KARA SOLAR公司要求，一起建造的。2017年2月7日，“梦想号”正式下水，用于社区间交通运输，也带动了当地旅游业的发展。 行驶...
如何在Proteus中模拟Arduino
进一步的Proteus可用于设计任何与Arduino相关的项目，它将在进入硬件级别之前提供更好的理解。由于其广泛的库集合，它是Arduino社区中最受欢迎的工具之一，不仅如此，Proteus还可以为Arduino项目设计定制的PCB。就像上一步一样，现在搜索Arduino UNO板，选择Arduino板并单击“确定”以添加到项目中，或者双击以在Proteus项目中添加Arduino。一旦在Proteus中成功创建了一个新项目，现在我们将设计一个用于Proteus中闪烁LED的Arduino电路。
Excel数据清洗实战：8个必学函数搞定90%的脏数据问题（附案例）
本文通过一个完整的销售数据清洗案例，详细讲解了如何组合使用TRIM、CLEAN、SUBSTITUTE等8个核心Excel函数，构建自动化清洗流水线，高效解决日常办公中90%的脏数据问题，从而将时间留给更有价值的分析工作。
Python先进技术全面发展无人有人微波脑波激光雷达探测器和平方舟超级超大型号医疗船吨位900000000研究开发重要性智能化系统化武器多样化太阳能利用回收利用可再生能源
任务灵活性：武器多样化（如激光、微波、动能武器、导弹等的组合）可以应对来自空中、水面、水下、电磁空间等多维度的威胁，并为非战争军事行动（如反海盗、精准打击）提供最合适的选择。* 数据融合技术：将不同探测器（雷达、光电、声呐、电子支援措施ESM）的数据融合成统一的战场态势图。总结与展望您描述的这个项目，其最重要的研究开发价值在于：1. 系统集成与协同效应：它不是简单技术的堆砌，而是要求将能源、感知、武器、医疗、平台管理等子系统高度智能化地集成到一个统一的网络中，产生“1+1>2”的协同效应。
自动识别象棋棋子的OpenCV应用
在计算机视觉领域，OpenCV是一个广泛应用的开源计算机视觉库，它提供了丰富的图像处理和分析工具。本文将介绍如何使用OpenCV实现自动识别象棋棋子的功能，并提供相应的源代码。通过以上代码，我们可以实现对棋盘图像中棋子的自动识别。需要注意的是，以上代码只是一个简单的示例，实际应用中可能需要根据具体情况进行参数调整和算法优化，以获得更好的识别效果。函数利用预处理后的图像，寻找图像中的轮廓，并根据轮廓的面积筛选出可能的棋子轮廓，最后在原图像中提取棋子区域。在主程序中，我们读取输入图像，并调用。
太阳能船远程信息处理：CAN数据记录 + Grafana仪表板实战案例
摘要：波兰AGH太阳能船队为优化太阳能赛艇性能，采用CL2000 CAN记录仪采集各子系统数据，结合InfluxDB时序数据库和Grafana可视化平台，构建了一套完整的数据处理方案。该系统实现了可靠的本地数据备份和实时远程监测，有效支持故障排查、算法优化和性能分析。项目展示了经济型CAN记录仪与开源工具组合的可行性，为类似船舶数据采集项目提供了参考价值。该方案特别适合预算有限但需要专业级数据分析的学生创新团队。
制作一款精美的 Qt IFW 安装程序
对于 Qt IFW 来说，默认的安装界面并不吸引人。倘若要制作一款精美的安装程序，这显然是不够的，需要在此基础上进行一系列定制。
Pytest教程：Pytest插件原理
Pytest的插件系统是其强大功能的核心，它允许用户和开发者扩展和定制测试框架的行为。要深入理解Pytest插件的原理，我们需要从Pytest的架构和设计模式开始，然后深入到底层源码。
智能无人垃圾回收船涉及到的技术
智能无人垃圾回收船是一种基于人工智能和无人驾驶技术的智能化垃圾回收系统，它包括了许多相关技术，其中一些关键的技术包括： 无人驾驶技术：这是智能无人垃圾回收船实现自主导航和控制的基础，它涉及到传感器技术、实时控制技术和自主决策技术等多个方面。 图像识别技术：通过安装在船上的高清相机或激光雷达等传感器，可以实现对海洋中的垃圾进行高精度的图像识别和分类。 机器学习技术：通过将大量的图像数据输入到机...
【存储原理】IO超时处理 块层block-scsi层之间
【存储原理】IO超时处理 块层block-scsi层之间
《一只孤独的船》莱蒙托夫
一只船孤独地航行在海上， 它既不寻求幸福， 也不逃避幸福， 它只是向前航行， 底下是沉静碧蓝的大海， 而头顶是金色的太阳。 将要直面的， 与已成过往的， 较之深埋于它内心的 皆为微沫。
Oracle EBS 寄销/VMI(1)-->基础设置
名词解释: BPA:一揽子采购协议 BPR:一揽子发放 SR:来源补充规则 ASL:合格供应商列表 VMI: 供应商管理库存 寄售(Consignment)是把货物放在客户那里,客户要用的时候才付款的库存，一般是指卖方把
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")
一首诗
一只孤独的船（莱蒙托夫） 一只船孤独地航行在海上， 它既不寻求幸福， 也不逃避幸福， 它只是向前航行， 底下是沉静碧蓝的大海， 而头顶是金色的太阳。 将要直面的， 与已成过往的， 较之深埋于它内心的 皆为微沫。 转载于:https://www.cnblogs.com/eenio/p/11220890.html...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
项目案例:在线拍卖系统_明渠流量监测系统-明渠流量在线监测系统-应用案例
原标题：明渠流量监测系统-明渠流量在线监测系统-应用案例山西省运城市北赵引黄灌溉明渠流量监测项目该项目为运城市北赵引黄工程灌区信息化项目，整个灌区环线全部架设了光纤，总长150公里，实现了泵船/提升泵站、明渠流量和视频同步监控。项目规模：◆ 泵船/提升泵站3级(共5个)，采用“DATA-9201型泵船/泵站监控终端”监测提升泵组的运行状态、运行电压/电流、功率、耗电量和电机轴温；同时监测站前水池水...
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
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
世界领先的无人驾驶自主测绘船完成从旧金山到夏威夷的跨洋航行
檀香山2021年7月9日 /美通社/ -- Saildrone Surveyor无人驾驶自主测绘船在完成从旧金山到檀香山的首航后抵达夏威夷。世界领先的自主海洋测绘船Saildrone S...
谷歌涂鸦庆祝第77个共和国日 展示印度从月船号到加冈扬的太空成就
谷歌涂鸦在共和国日致敬印度太空研究组织在庆祝印度第77个共和国日的最新插画中，谷歌的"涂鸦"项目纪念了印度太空研究组织的卓越成就。2026年共和国日涂鸦元素包括：通过月船探测器实现的月球探索、火星轨道探测器"曼加里安"，以及太阳探测器"阿迪亚-L1"。这家搜索引擎巨头委托印度著名插画师兼平面设计师普拉蒂克·瓦塔什创作主题涂鸦。这位来自班加罗尔的艺术家合作客户包括和冠、苹果图书、Adobe日本、奥迪、兰博基尼、TEDx班加罗尔以及拉斯维加斯球形场馆等。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
910
扫一扫
