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
1.9k累计阅读
1.9k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
高速网络TCP/IP和ATM的设计原理
第一章 引论
ATM 异步传递方式 （Asynchronous Transfer Mode）
IP 网际协议 （Internet Protocol）
QoS 服务质量 （Quality of Service）
IDN 综合数字网络 （Integrated Digital Network）
采用数字化的计算机控制的交换机以及数字传输技术，虽然仍然使用电路交换方式。
综合指的是交换和传输都采用数字技术。
ISDN 综合业务数字网络 （Integrated Service Digital Network）
Java环境下ATM机模拟器的设计与实现
TCP/IP是一个分层的协议族，包括网络接口层、互联网层、传输层和应用层。每一层都负责不同的网络通信功能。在ATM系统中，我们主要关注传输层和应用层。传输层提供了可靠的连接，确保数据传输的准确性和顺序性。应用层定义了网络应用之间的数据交互格式。设计模式是面向对象设计中解决特定问题的一般性解决方案。在ATM系统的设计与开发过程中，正确应用设计模式可以大幅提高软件质量，提升系统的可维护性和可扩展性。
网络协议原理精讲：ATM、FR、TCP/IP及其它
在当今这个数字化的世界中，网络协议是计算机网络通信不可或缺的基石。协议可以被定义为一组规则，这些规则定义了数据交换的方式，使得不同设备之间能够理解和处理信息。网络协议的种类繁多，它们根据不同的网络层次划分，各有其独特的作用。在第一章中，我们将探讨网络协议的重要性，以及它们如何使网络通信变得可能。网络协议的定义和重要性是理解更高级网络技术的关键。我们将首先分析协议的构建基础，然后深入了解它们在数据传输、网络管理和用户交互中所扮演的角色。
常用网络协议原理(atm fr tcp/ip等）
常用网络协议原理 友atm fr ppp pppoe g703 tcp/ip ospf mpls smtp rip
c#设计ATM主要功能
实现ATM的主要功能，账户新建、登录、存取、查询等
Java 自动获取本机IP、MAC地址
自己写的一个小工具，方便查看本机的IP和MAC地址，如果是笔记本，可以采集到两个MAC地址。 采用的技术是Eclipse 4 RCP,算是练手。程序打包时绑定了JRE，解压后就可以运行。
计算机网络协议： TCP/IP 和 ATM 麻省理工讲义
麻省理工的讲义 好东西哦 值得拥有 如果你正在学习网络那么不妨拿来看看 总之，反正评论免积分啊O(∩_∩)O~
简单的基于TCP的ATM机多线程实例
本系统通过TCP协议实现了ATM 服务器和客户端的交互，并实现了多线程~~
浮点数运算的陷阱与启示：FP16加法器/乘法器开发中的常见误区
本文深入探讨FP16加法器和乘法器开发中的常见误区，包括FP16格式解析、阶码对齐陷阱、尾数运算风险及规格化处理。通过Verilog实战代码展示防御性编程技巧，帮助开发者避免边界条件处理和异常状态管理中的错误，提升硬件设计的可靠性和效率。
电赛综合测评题练习（一）-（与2013年电赛综合测评要求类似）
电赛综合测评题练习 文章目录电赛综合测评题练习前言1. 波形发生器1.1 题目说明1.1.1 可用器件1.1.2 设计要求1.1.3 设计方案论证1.2 仿真电路设计1.2.1 脉冲波发生器电路1.2.1.1 方案介绍1.2.1.2 理论分析与计算1.2.1.3 电路系统设计1.2.1.4 仿真方案与仿真测试结果1.2.2 锯齿波电路1.2.2.1 理论分析与计算1.2.2.2 电路系统设计1.2.2.3 仿真方案与仿真测试结果1.2.3 正弦波I电路1.2.3.1 理论分析与计算1.2.3.2 电路系
别再死记硬背了！用TwinCAT 3手把手教你配置EtherCAT伺服驱动的PDO映射（DS402协议）
本文详细介绍了如何使用TwinCAT 3配置EtherCAT伺服驱动的PDO映射（DS402协议），涵盖环境准备、设备扫描、PDO映射实战及高级技巧。通过具体操作步骤和常见问题排查，帮助工程师快速掌握EtherCAT通信配置，提升运动控制系统的效率和稳定性。
ADC电路项目1——10bit SAR ADC 设计，smic18工艺，有工艺库，有效位数ENOB为9.8
包括详细仿真文档，原理介绍，完整电路图，仿真参数已设好，可直接使用，在自己的电脑上就可以运行仿真。本设计采用 smic18mmrf CMOS 工艺，使用栅压自举电路的采样开关，Vcm-based 开关。电容开关控制电路，10 位 DFF，最后用 10 位理想 DAC 模块将数字码转换为 10 进制量进。时序上级板采样的 DAC 电容阵列，两级动态比较器，比较器异步时钟，SAR 动态逻辑，DAC。10bit SAR ADC 设计，smic18工艺，有工艺库，有效位数ENOB为9.8。
linux离线安装nginx
linux离线安装nginx
别再死磕MuJoCo了！用PyBullet+Stable-Baselines3搞定机械臂强化学习（保姆级环境配置）
本文详细介绍了如何使用PyBullet和Stable-Baselines3构建机械臂强化学习系统，绕过昂贵的MuJoCo许可壁垒。通过实战指南，包括环境配置、机械臂Gym环境构建、训练策略与调优技巧，帮助开发者快速掌握机器人强化学习技术，提升智能控制效率。
基于MATLAB/Simulink平台进行新能源微电网运行控制的建模与仿真
新能源微电网是现代电力系统的重要组成部分，能够有效整合分布式能源（如光伏、风力发电）和储能设备，实现局部区域内的能源高效利用。微电网的运行控制涉及多源能量管理、负荷平衡以及并网/孤岛模式切换等关键问题。基于MATLAB/Simulink平台进行新能源微电网运行控制的建模与仿真，可以帮助研究者验证控制策略的有效性，并优化系统的动态性能和经济性。本项目旨在构建一个完整的新能源微电网模型，包括电源模块、储能模块、负荷模块以及控制器模块，并通过仿真分析其运行特性。
YOLOv9电力巡检实战：绝缘子破裂/鸟巢识别+无人机自动定位
摘要：本文聚焦电力输电线路巡检的效率与安全痛点，提出基于YOLOv9与无人机的智能巡检解决方案。针对绝缘子破裂、鸟巢等高危缺陷，通过“无人机改装-模型训练-缺陷识别-工单生成”四阶段工程落地流程，实现全自动化巡检。系统采用大疆M300无人机搭载RTK模块与Jetson边缘计算盒，结合改进YOLOv9模型实时识别5类缺陷，通过4G传输将GPS定位与缺陷数据同步至工单系统。实测表明，该方案巡检效率达50公里/天（较人工提升10倍），缺陷发现率95%（提升40%），事故预防率98%。
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")
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
908
扫一扫
