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
400+累计阅读
437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
微信消息推送配置流程
当工单提交或者派单后将会给相应员工推送微信消息，这个只有公众号才能推送，目前小程序无法推送;
a、维修师傅消息推送
1、在设置-> 系统->公众号 公众号信息页面配置相应模板消息，配置文档找管理员获取
参考文档（http://bbs.homecommunity.cn/pages/bbs/topic.html?topicId=102021110591190028）
2、员工登录自己的账号，进入设置->组织->员工认证 中认证 用微信扫一扫，会跳转至业主端页面
b、工单提交给客服推送消息
1、在设置-> 系统->公众号 公众号信息页面配置相应模板消息，配置文档找管理员获取
参考文档（http://bbs.homecommunity.cn/pages/bbs/topic.html?topicId=102021110591190028）
2、员工登录自己的账号，进入设置->组织->员工认证 中认证 用微信扫一扫，会跳转至业主端页面
3、管理员登录后，进入 设置->组织->角色权限 下的功能权限,给报修登记通知权限（在组织->员工认证->报修登记通知）
HC小区管理系统安装记录一次群里小伙伴梓豪方式安装问题
再次重启HC 应用 发现还是启动失败提示 MySQL提示密码不对，是不是该了MySQL密码了，登录MySQL。打开梓豪地址查看 Redis MySQL Nginx 是否启动成功，查看日志启动成功。发现8008 端口被占用了，可能原因是之前安装后没有停止直接删除应用 未做停止处理。然后重启 Redis Nginx MySQL 应用 启动hc 应用还是启动失败。进入/home/data/ 删除mysql rm -rf mysql。查看hc 应用的hosts是否没有改。应用中启动mysql 应用。
【亲测免费】 推荐开源项目：HC社区管理系统 - 全方位物业管理解决方案
HC社区管理系系统是一款基于SaaS模式的物业管理软件，集房地产管理、业主服务、费用收取（支持在线支付）、维修申请（线上报修）、投诉建议、采购、巡检、停车管理、门禁控制、监控集成、工作流程、问卷调查和公告通知等多功能于一体。这个开源项目旨在提供一个高效、便捷的物业运营平台，满足各类物业管理需求。 相关代码包括： 1. **物业管理前端**([MicroCommunityWeb](https://...
产业园区运营负责人如何实现创新资源的系统化配置？.docx
产业园区运营负责人如何实现创新资源的系统化配置？
HC小区管理系统部署在内网服务器，怎样外网可以访问，可以部署公众号小程序？
今天要说的是如何将部署在内网服务器的HC小区管理系统可以在外网 访问，也可以 部署 业主手机端，这种软件比较多 1、lanproxy 软件 我之前用了很久 稳定 ，缺点就是浪费端口，不支持udp 2、梓豪平台的虚拟组网 3、花生壳（别人部署的商业软件，这种之前使用时感觉 宽带 等等 会有些慢）或者ddns （也是端口的限制等等比较多，不是特别灵活） 关于 lanproxy 部署使用可以百度安装下也是比较简单 今天我们就用梓豪平台的虚拟组网完成 内网服务器可以在外网访问 需要 资源 a、需要一台.
状态估计【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究（Matlab代码实现）
【状态估计】【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究（Matlab代码实现）内容概要：本文主要介绍了基于变频控制的多相交错LLC谐振变换器闭环仿真研究，重点探讨了多相交错并联技术在降低输出电流纹波和提升功率容量方面的优势，分析了交错角对纹波抵消的影响以及均流问题的成因。针对变频控制带来的非线性特性，文章采用扩展描述函数（EDF）建立小信号模型，用于指导PID控制器的设计，并验证其在稳态和动态工况下的控制性能。通过Simulink仿真平台对闭环系统进行建模与测试，考察了启动过程、负载阶跃响应及频率调节的平滑性，结果表明所设计的控制系统具有良好的稳态精度和动态响应能力。; 适合人群：电力电子、电气工程及其自动化等相关专业的高校师生及从事电源系统研发的工程技术人员。; 使用场景及目标：①掌握多相交错LLC谐振变换器的工作原理与建模方法；②学习变频控制下非线性系统的建模与PID环路设计技巧；③应用于高效率、低纹波开关电源的仿真设计与优化。; 阅读建议：建议结合文中提供的仿真模型与参数设置进行实践操作，重点关注EDF建模过程与控制器参数整定方法，通过对比不同交错角下的仿真结果加深对纹波抑制机理的理解。
S7-1200五轴伺服系统PLC控制方案与调试技巧
工业自动化领域中，多轴伺服控制是实现精密加工的核心技术。基于PROFINET实时通信协议和PLCopen运动控制标准，现代PLC（如西门子S7-1200）能够实现多轴高精度同步控制。其技术原理是通过等时同步模式确保各轴运动的时序一致性，结合PID调节和电子齿轮比实现位置闭环。这种方案在数控机床、3D打印等场景具有重要应用价值。本文以五轴联动系统为例，详细解析了S7-1200与V90伺服驱动器的硬件组态方案，包括PROFINET环网配置和IRT同步设置。在软件层面，重点介绍了基于TIA Portal的工艺对象
自建工单（审批流）系统设计
审批流或工单系统设计思路
ADS与Cadence中Verilog-A文件的编译与调用实战指南
本文详细介绍了在ADS与Cadence平台中Verilog-A文件的编译与调用实战指南，涵盖开发环境配置、模型创建与编译、仿真设置技巧以及跨平台协作与调试等内容。通过具体案例和优化策略，帮助工程师高效完成混合信号仿真设计，提升电路建模与验证效率。
免费开源HC小区物业管理系统
HC小区管理系统是为物业企业打造的智慧物业综合管理平台提供商家入驻、快递代收、房屋租赁等盈利功能，为物业企业提供全新的运营盈利模式。和java110开发者零距离沟通 qq群号 827669685 演示地址 https://demo.java110.com ...
蓝牙开发实战：如何用Wireshark抓取HCI协议包（附完整分析步骤）
本文详细介绍了如何使用Wireshark抓取和分析蓝牙HCI协议包，包括环境搭建、过滤器配置技巧、数据包深度解析及高级调试方法。通过实战案例，帮助开发者快速定位蓝牙连接问题，提升调试效率。
STM32实战：5分钟搞定CanFestival协议栈下的CANopen心跳报文配置（附避坑指南）
本文详细介绍了如何在STM32平台上使用CanFestival协议栈快速配置CANopen心跳报文，包括硬件准备、协议栈移植、心跳报文配置及常见问题解决方案。通过实战步骤和避坑指南，帮助开发者高效实现节点状态监控，提升工业控制系统的可靠性。
HC小区管理系统使用常见问题一
说明 建这个文档是为了大家在使用遇到问题登记，避免后面的人再采坑，系统部署前记得看视频https://www.bilibili.com/video/BV1N7411E7rf/ 报APP没有权限访问错误 问题描述： 鉴权失败：AppId 没有权限访问 serviceCode = xx.xx(接口名) 解决方法： 检查是否SQL文件全部表导入，在TT库检查表数量...
从BIOS到路由器：深入拆解SPI NOR Flash的硬件连接与‘芯片内执行’（XIP）奥秘
本文深入解析SPI NOR Flash的硬件连接与‘芯片内执行’（XIP）技术，从BIOS到路由器的应用场景出发，详细介绍了其架构精髓、典型连接方案、时序设计及性能优化方法。通过实际案例和参数对比，帮助开发者掌握NOR Flash在嵌入式系统中的关键作用与设计技巧，提升电路设计效率与可靠性。
智慧物业管理系统操作流程
1.2.1 说明 主要说明HC小区管理系统物业使用流程和注意事项，有任何问题发邮件交流 928255095@qq.com 官方网站 http://www.homecommunity.cn/ 1.2.2 流程图 1.0 代理商添加小区 代理商用户（系统演示代理商账号为dails/admin,也可以自己注册新账号）打开“小区管理”–> 小区信息 菜单添加小区并且完善如小区 名称、小区地址和小区地区等信息，提交运营团队审核 具体流程请查看 2.1 物业入驻平台 2.0 运营者审核小区 目前 运营者只参与
AI Agent核心架构解析：从Tool、Skill到MCP协议的智能体构建实战
在人工智能领域，大语言模型（LLM）赋予了AI自主规划与决策的能力，推动了智能体（Agent）技术的演进。其核心原理在于构建一个具备感知、规划、行动与反思能力的自主系统。这一架构的技术价值在于将AI从被动应答升级为主动执行复杂任务的工作伙伴，显著提升了自动化水平与问题解决效率。应用场景广泛覆盖了市场分析、自动化办公、智能客服与垂直领域集成等。本文聚焦于实现这一能力的关键组件：基础工具（Tool）、组合技能（Skill）与标准化协议（MCP）。其中，Skill通过封装多个Tool形成可复用的高级能力，而MCP
推理篇第3节：TensorRT基础——Builder、Engine、ExecutionContext生命周期
TensorRT模型优化与推理流程摘要 TensorRT是NVIDIA的深度学习推理优化器，通过Builder、Engine和ExecutionContext三阶段实现高效推理。Builder负责编译模型，执行图优化和kernel选择；Engine是优化后的推理计划；ExecutionContext管理运行时执行。编译期进行重量级优化（如算子融合、kernel调优），运行时快速执行。TensorRT 10.x引入新API，推荐使用buildSerialized方法。构建流程包括创建Builder、网络定义、
HC小区物业管理系统操作手册
加入HC小区交流群 ：827669685 下载word版操作文档，这里图片没有显示 一、 组织架构说明 审核入驻小区请求 提供技术支撑 管理 管理 二、 使用说明 建议使用火狐浏览器体验更佳 1、 注册 通过https://demo.java110.com 演示地址直接到登陆页面点击登陆下面的注册按钮 进入...
C# 与 PaddleOCR：一行代码实现高效图片文字识别的实战指南
本文介绍了如何使用 PaddleOCRSharp 进行图像文字识别，涵盖了从环境准备到高级功能的完整流程。首先，通过 NuGet 安装 PaddleOCRSharp 并下载预训练模型。接着，展示了单张图片识别的最小化示例和详细实现，包括模型配置、图片预处理和结果输出。进阶功能部分介绍了多语言和竖排文本识别的实现方法。此外，文章还提供了 WinForms 图形界面开发的完整示例，展示了如何通过界面加载图片、执行识别并展示结果。最后，探讨了批量处理优化策略，如并行处理多张图片以提高性能。通过这些步骤，开发者可以
[好消息]HC小区管理系统之HC智慧家园小程序正式开源
HC小区管理系统从零开始经过1年多的基础框架搭建，和将近一年多的业务功能研发，受到了很多公司和个人的青睐，目前我们了解到的有三家公司在做二次开发，有四家公司在找我们做定制开发，有一家公司已经商业落地运营，通过和这些公司及个人的交谈，他们还是热衷于业主版小程序早日落地，为此从12月中旬开始启动小程序研发，我们已经开发完成了业主绑定，投诉意见，公告显示 家庭成员门禁钥匙申请等主要功能，并且已经开源在g...
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
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
智慧小区 HC 系统安装配置简单流程(V2022-09-28)
第五步骤: 然后再在计算机应用下的”hc”那个应用下面的 host 选项里面去，把那个 IP 改成。第四步骤:安装完装完相关应用以后，然后在计算机应用下的 nginx 那个应用下面的 host 选。02 图: 点 NGINX 控制台进入(第五步操作)如下图( 改成内部 IP)02 图: 点”hc” 控制台进入 如下图( 把 HOST 改成内部 IP)http://域名 或者 http://IP 直接打开就是的如下图。项里面去，把那个 IP 改成自己服务器的内网(如下图 1,2)
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
HC小区管理系统对接HC物联网管理系统实施使用指南
HC小区管理系统对接使用指南 说明 HC小区管理系统是一套开源免费商用的小区物业管理系统，目前已经在多家物业多个小区商用，用户反馈良好，HC物联网系统独立于物业系统 而设计的管理门禁，道闸考勤等设备的物联网管理系统，它可以和其他第三方系统对接而独立运行（可以参考HC 物联网系统对接协议 文档对接），不依赖HC小区管理系统 通信流程说明 1、在HC小区管理系统添加小区修改小区时 会通过HC小区管理系统的databus 将数据 同步（或异步）方式同步至HC物联网系统 2、在HC小区管理系统添加设备编辑设备和删除
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")
HC小区物业管理系统一键部署方法
centos7.6一键式自动安装 wget http://www.homecommunity.cn/download/hcAutoInstall.tar 如果下载不下来，请加群827669685在群文件中【HC系统部署文档】中获取hcAutoInstall.tar 自动部署shell脚本部署 tar -xvf hcAutoInstall.tar 修改env.sh 中的相应IP和密码 sh inst...
HC 物联网系统对接协议
HC 物联网系统对接协议 开发前必读 协议规范设计 第三方调用开放接口时，需使用 https 协议、Json 数据格式、UTF8 编码 注：建议封装统一的 API 请求接口，便于进行 token 容错处理，以及相关日志打 印等 请求参数：默认使用 json 方式（access_token 必须传至http header 中） 通用响应报文格式： { "code":0, "msg":"返回码描述内容", "data": {} } 通用响应报文字段说明： 名称 类型 描述
HC小区管理系统房产业主商铺业主账户操作说明
物业在使用系统前，首先需要先完善房产，也就是楼栋，单元，房屋，业主等信息，然后根据使用的模块去完善相应的信息.下面简单说明操作流程：1、打开房屋管理页面，房产导入，下载模板； 2、物业根据Excel要求填写Excel，Excel需要填写楼栋，单元，房屋和业主信息，如果房屋是未出售，则业主信息留空(业主名称,性别,年龄,手机号,身份证号,业主类型)即可; 3、将填写Excel导入系统，此时会在房屋，商铺，业主页面出现数据；温馨提示：如果导入商铺时，Excel中的单元填写为0 比如1-1商铺，楼栋为1 单元为0
HC小区管理系统组织架构说明
对于公司来说存在多层的组织架构，比如集团公司 分公司 项目 部门等，您可以采用组织信息 添加树形的组织架构，然后组织去关联员工的方式关联员工 对于物业来说可能比较关注的是一个物业公司管理多个小区，可以在角色权限中进行设置即可简单操作流程如下： 1、在组织信息页面添加多层组织 比如 分公司>项目>部门 架构，可以根据公司的情况来添加，这里特别注意的时第一个节点不能做删除; 2、添加员工信息，这里需要注意的时员工的手机号为真实的手机号，手机号将用于员工账号登录系统，密码默认为123456，员工登录后可以在设置中
微信群机器人开发
微信群机器人做不好往往不是接口能力不足，而是角色定位混乱。本文拆解服务型、管理型、氛围型三类群机器人的能力边界、发言策略、权限要求与风控差异，附按群分配角色的路由代码、欢迎语合并实现与上线自检清单。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1150
扫一扫
