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
100+累计阅读
84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
随着物联网、社交媒体、金融市场和电信日志等领域的快速发展，流数据的处理和分析变得越来越重要。流数据是指持续不断到达的数据，通常具有大容量、高速度、无限长度和动态变化的特点。传统的批处理方法难以应对这种数据流，因此需要专门设计的流数据聚类算法来实现实时或近实时的分析。
流数据聚类的目标是在数据流中识别出具有相似特征的对象，并将其归类为不同的簇。这一过程不仅可以帮助我们理解数据的内在结构，还能为决策提供有力支持。本文将详细介绍流数据聚类的相关技术和应用。
流数据具有以下几个显著特点：
这些特点给流数据聚类带来了诸多挑战：
【信息科学与工程学】【审计学】第一篇 招投标领域审计算法02
给定人、事、时、地、物等实体集合V和证据事实集合F， 构建一个概率图模型， 计算任意两个实体/事实之间存在关联关系的概率。：构建一个深度贝叶斯网络， 其中顶层为待推断的心理特征P， 中间层为可观测的行为模式B， 底层为多模态证据E。：基于现场痕迹、行为模式、通讯内容等证据E， 推断嫌疑人的心理特征向量P（如反社会性、冲动性、策划能力）。：对高风险的案件， 自动检索关联当事人、律师涉及的其他历史案件， 形成关联视图。：定义如“当事人-律师-当事人”、“当事人-多案件”等路径， 捕捉隐蔽关联。
【信息科学与工程学】计算机科学与自动化-——第十五篇云计算 11 算法篇
在百万级虚拟机、百万级租户的超大规模云环境中，核心算法挑战包括：挑战维度具体问题算法需求技术复杂度规模性百万级对象并发管理分布式算法、分区算法极高（NP-hard问题）多租户租户间隔离与资源共享公平性算法、隔离算法高（多目标优化）动态性资源需求实时变化自适应算法、在线算法高（实时决策）异构性硬件/负载/需求差异分类算法、匹配算法中高（多维度优化）经济性资源利用率与成本平衡优化算法、博弈论算法高（多目标博弈）以下是按领域分类的详细算法列表：算法名称数学建模表达核心思想时间复杂度适用场景推理步骤首次适
【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营04
典型值：λ1∈[−0.02,−0.01], λ2∈[−0.01,0], η1,η3∈[0.1,0.3], η2,η4∈[0.05,0.15]参数：δ1∈[−0.8,−0.3], δ2∈[−0.5,−0.2], δ3∈[−0.4,−0.1], δ4∈[−0.6,−0.2]参数：φ1∈[0.1,0.3], φ2∈[−0.2,−0.05], φ3∈[−0.1,0.1], φ4∈[−0.3,−0.1]参数：α∈[0.3,0.6], β∈[0.2,0.4], γ∈[0.01,0.03]
1、数据库与信息系统新趋势：GPU、数据挖掘与本体应用
本文探讨了数据库与信息系统领域的最新发展趋势，包括GPU在数据库中的应用、复杂与流数据挖掘技术、本体在信息系统设计中的融合，以及多商品贸易建模等多个方向。重点介绍了基于DCT和CUDA技术的选择性估计方法，以及多个相关研究会议和工作坊的成果。这些研究推动了数据库和信息系统技术的进步，为实际问题的解决提供了创新的方法和工具。
【信息科学与工程学】计算机科学与技术——第七十七篇 系统架构设计02
编号类型模型配方企业资本运作的方法/规则/条件/依据及所有的步骤（风险处理/异常处理/危机应对关联知识法律法规和裁决依据由发起人（通常是知名投资人、投行或产业资本）先设立一个只有现金、无实际业务的特殊目的收购公司（SPAC），通过IPO募集资金并在交易所上市。然后在规定时间内（通常24个月）寻找一家非上市公司进行合并（De-SPAC），使目标公司迅速实现上市，规避传统IPO的复杂流程和不确定性。1.：在开曼或特拉华注册空壳公司，注入少量种子资金。2.
【信息科学与工程学】【数据中心】 第七篇 智算中心CLOS组网整体设计
区域主要功能网络要求技术选型安全等级可用性要求训练区大规模AI模型训练，分布式计算超高带宽(100G+)，超低延迟(<1ms)，无损网络RoCEv2，PFC，DCQCN，多路径P4(最高)99.99%推理区实时AI推理，模型服务低延迟(<10ms)，高可用，弹性扩展智能负载均衡，服务网格，容器网络P3(高)99.999%公共服务区统一认证，API网关，数据服务多租户隔离，安全防护，弹性带宽VXLAN，EVPN，微隔离P3(高)99.99%存储区高性能存储，数据湖超高带宽，低延迟，高IOPSNVMe-
【信息科学与工程学】【数据中心】 第十四篇 智算中心算法体系规划
每个节点独立计算本地对偶变量的次梯度，通过异步通信更新对偶变量，步长选择采用自适应策略（如ηt=tη0）。：采用L1（内存缓存）、L2（SSD缓存）、L3（磁盘缓存）三级缓存架构，结合LRU/LFU算法实现动态缓存管理。：靠近用户终端（如基站、小区），仅缓存高频访问内容，部署在用户最近的网络边缘，实现"最后一公里"加速。：存储完整内容库，负责内容注入与全局调度，部署在核心数据中心，具备高带宽和高可用性设计。：基于用户IP、运营商、节点负载等实时数据，动态选择最优边缘节点，实现全局负载均衡。
【信息科学与工程学】【数据中心】 第三篇 智算中心全业务场景矩阵
技术：MPI/OpenMP优化、InfiniBand/RoCE网络、Lustre/GPFS并行文件系统。技术：NVLink/NVSwitch高速互联、RDMA网络、检查点存储、混合精度训练。技术：Kubernetes运营商、服务网格、Serverless框架。技术：VXLAN/EVPN、SRv6、智能网卡、DPDK/智能网卡。运营：AI框架优化、显存优化、容错训练、多租户GPU隔离。技术：KVM/ESXi虚拟化、SR-IOV、智能网卡、快速发放。
【信息科学与工程学】【安全领域】第六十七篇 防火墙产品02
传统DDoS防御基于静态阈值，在复杂、自适应的攻击下（如脉冲攻击、低速攻击）效果不佳。将防火墙的防御动作（如触发清洗、调整限速阈值、更新黑白名单）建模为智能体的动作，通过与环境（网络流量）的交互学习最优防御策略。
【信息科学与工程学】【数据中心】 第二十三篇 DDC网络-满足大规模训练、推理、存储区网络（Roce2组网）-第五篇 跨地域互联（公共服务区和存储区）
大规模智算中心跨区域互联
【信息科学与工程学】【数据中心】第二十三篇 DDC网络-满足大规模训练、推理、存储区网络（Roce2组网）-第三篇 流量采集和监控
1.2 详细采集协议部署矩阵 协议类别协议名称部署位置采集频次采集策略采集内容采样率数据量(GB/天)处理方式物理层采集LLDP/CDP所有网络设备30秒轮询全量采集邻居信息、设备能力100%0.1实时处理PoE状态接入交换机60秒轮询全量采集PoE供电状态、功率100%0.05实时处理温度/风扇所有网络设备30秒轮询全量采集温度、风扇转速100%0.1实时处理光功率光模块60秒轮询全量采集发送/接收光功率100%0.2实时处理网络层采集NetFlow v9核心/边界30秒导
使用Kolla部署多节点Rocky版本OpenStack
openstack命令行客户端使用，post-deploy会在 /etc/kolla/目录下生成文件admin-openrc.sh。每次使用openstack命令时执行source /etc/kolla/admin-openrc.sh(manager节点执行)source /etc/kolla/admin-openrc.sh (将文件内容复制到/etc/profile中，即可一直生效)3.2.2 开始安装kolla-ansible,要带上--ignore-installed PyYAML，否则可能会报错。
C# 原生数字孪生的尝试
本文介绍了使用C#实现数字孪生的基本思路。首先从爱普生官网下载机器人3D模型，然后通过Blender创建并导出带动画的FBX模型。在WPF项目中，使用HelixToolkit.SharpDX等插件加载模型，通过Viewport3DX进行3D渲染。关键点是通过动画控制器接收真实设备信号来驱动模型动画，实现物理实体与虚拟模型的同步。文中提供了完整的代码实现，包括模型导入、动画播放控制等核心功能。该方法为构建数字孪生系统提供了一种可行的技术方案。
BMS | 从一串到几百串硬件架构简介
锂电池在生活中越来越多的方面扮演能源的角色，除了大家熟知的电动汽车行业，在一些消费类，工业类电子产品比如手机，电动自行车，电动工具中都有应用，追本溯源今天我们一起来学习下最基础的BMS架构。 1~4串架构 以S8241为代表的无通信/无固件/模拟器件 可实现过充保护、过放保护、过流/短路，参数由器件后缀代码决定；通信类手持设备供电系统；1~4节电池保护板架构 如图使用S-8241系列保护IC，一对充放电MOS管控制充放电的回路的切断和接通，系统供电来自于电芯电压，VM引脚用于检测过...
Ubuntu Server 24.04 安装 （超详细）
本文介绍最小化安装 Ubuntu Server的详细过程。
(实战)[re:Invent 2018]-001:赛道分析-(致敬1024)
打印log
springboot+vue项目基础开发(12)vue项目的搭建
在src目录下新建 api,utils,views文件夹。删除componets目录下自动生成的所有文件。在utils文件夹下创建request.js。启动项目，记得是要在管理员下启动。
时空智友企业流程化管控系统文件上传漏洞
时空智友企业流程化管控系统是一个功能丰富、灵活可定制的企业管理工具。通过该系统，企业能够实现流程的自动化、协同的提升、数据的洞察和决策的优化，从而提高工作效率、管理水平和企业竞争力。时空智友企业流程化管控系统 formservice接口处存在任意文件上传漏洞，未经认证的攻击者可通过此接口上传后门文件，最终可导致服务器失陷。
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")
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
419
扫一扫
