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
600+累计阅读
666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
L脚本语言目前没有实现数组，但是可以用表对象来模拟数组
L脚本语言中，表类似于动态数组
表的大小是动态可变的，表的内容可以是任何对象，不仅仅可以是整数，字符串这样的基本类型，也可以是用户定义的函数，当然也可以是表
L脚本语言内置了表遍历的功能，只需要传入一个回调函数，即可实现对表对象的遍历
回调函数有一个参数，当进行表对象的遍历时，将会逐个将表的元素传入这个参数
这样在对表中内容进行处理的时候，编写不同的回调函数，就可以实现不同的处理逻辑
我们可以在表中插入待处理的文件名，待访问的网址，待计算的数学表达式，等等
MONAI教程＜1＞-安装
MONAI的安装非常简单，常用的有两种方法： 直接 pip install monai 从GitHub 上安装 monai是通常配合其他库一起使用的，比如pytorch, nibabel, skimage, pillow等等。缺什么直接pip install 就行
L脚本语言的表对象应用
对于表对象，L脚本语言提供了一种便捷的访问所有元素的方式，”遍历语句” L脚本语言会对每一个元素调用遍历语句提供的回调函数，语法格式如下: 遍历：表对象的名称，回调函数 回调函数的格式为 定义:函数,表元素的遍历函数,元素名 #显示:元素名 结束 例如: #scp #这个例子脚本用来播放mp3文件 #首先打开一个目录对象 打开:目
风力发电机并网模型建立及仿真验证
传统能源日益匮乏，环境污染日趋严重，全球向安全、可靠和环保的可持续能源体系转型迫在眉睫，风电迎来了重要的发展契机。近年来，全球风电迅猛发展，我国已成为世界风电新增装机容量第一的国家。然而，随着风电规模的不断增大，风电场接入对系统影响不容忽视。随着变速恒频风力发电系统优越的性能突出和大容量电力电子技术的成熟，风速随机性引起的功率波动及故障情况下的动态响应，对电能质量，系统电压、频率的稳定性产生的影响需要深入研究。因而，本文结合实际项目，针对变速恒频风力发电系统建模，端口动态特性及对电网电能质量、运行稳定性的影
L脚本语言表对象的高级操作
L脚本语言将针对表对象的 求并集、交集、差集运算映射为基本运算符+、 &、 - 我们可以对表对象进行集合代数运算 例如 #scp 定义:字符串,str1,world 定义:字符串,str2,hello 定义:整数,int1,12345 定义:表,table1 定义:表,table2 定义:表,table3 定义:表,table4 定义:表,table5 插入:tabl
别让你的URDF模型在Gazebo里‘躺平’：手把手教你配置libgazebo_ros_diff_drive插件让两轮小车动起来
本文详细解析了如何在Gazebo中配置libgazebo_ros_diff_drive插件，使两轮小车模型实现动态仿真。从URDF模型到传动装置，再到差速驱动插件的精细调参，手把手教你解决机器人‘躺平’问题，提升ROS1与Gazebo仿真的实战能力。
双足步行机器人的ZMP与CoP检测
静态步行与动态步行 机器人步态分为静态步行和动态步行。当机器人做静态步行运动时，身体的各个部分运动速度很小，机器人的整体稳定性较易控制。静态步行稳定性采用机器人的重心地面投影点(Center of Gravity，简称CoG)作为稳定性标准，这种判定方法适用于运动较为缓慢的情况。如果机器人采用的是一种高速运动的步行方式，则称之为动态步行。当机器人进行动态步行时，其重心的位置和加速度的大小时...
L脚本语言字符串处理
L脚本语言字符串处理
一文读懂水利无人机AI识别算法，概念、需求、解决方案
复亚智能的水利无人机AI识别算法通过先进的技术手段，为水利管理提供了高效、精准的解决方案。随着技术的不断进步和应用的深入，复亚智能的解决方案将在更多水利场景中发挥重要作用，助力智慧水利管理的全面升级。该系统通过搭载在无人机上的传感器和摄像头，结合先进的AI识别算法，实现对河道淤积、漂浮物、船只和水质污染等问题的自动检测和监控。基于大量实飞采集的数据，复亚智能的算法经过严格的训练，能够准确识别各种水利问题。复亚智能的系统具有高度的开放性和兼容性，能够与第三方平台和算法无缝对接，满足不同客户的多样化需求。
L脚本语言语法手册 0.12版
L脚本语言语法手册 0.12版
手把手用ROS实现Ego-Planner动态避障：无人机撞树问题终结方案
本文详细介绍了如何在ROS和Gazebo仿真环境中，通过配置和调优Ego-Planner算法，实现无人机的动态避障功能。文章深入解析了其基于局部梯度优化的核心思想，提供了从环境搭建、参数详解到代码集成的完整实践指南，并分享了实战排错经验，旨在彻底解决无人机在复杂动态场景中的碰撞问题。
【论文复现】——基于LM优化的NDT点云配准算法
传统的正态分布变换配准算法处理初始位姿变换相差较大的两帧点云时，存在无法收敛或者陷入局部最小值的问题。为了提高算法的收敛性能，提出了一种基于LM方法改进的三维正态分布变换配准算法。
实现带参数的L脚本
L脚本语言解释引擎初始化的时候会创建一个名为"命令行参数"的表对象 通过下标，我们可以访问每一个命令行参数，这样我们就可以很方便地编写带参数的脚本 命令行参数[0] 始终是解释器引擎的完整路径 命令行参数[1] 始终是当前脚本文件的完整路径 命令行参数[2] 是通过命令行传入的第一个参数 命令行参数[3] 是通过命令行传入的第二个参数 下面这个
在 Esp32 摄像头上实现边缘脉冲 FOMO 物体检测
本文将详细介绍如何在 Esp32 摄像头上实现边缘脉冲 FOMO 物体检测，并提供实现源码
使用L脚本语言实现分布式计算的例子
这里我先来写一个分布式计算的例子 其实分布式计算就是将计算任务分解给不同的计算机，由多个计算机实现共同的计算任务 这里，我们需要有一个管理者计算机，多个工作者计算机 管理者将任务分配给工作者，工作者完成计算任务后交给管理者，
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
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")
L脚本语言 密码学相关
在之前的一篇文章中介绍过使用L脚本语言进行文件加解密 https://blog.youkuaiyun.com/itmes/article/details/46659983 新版的L脚本语言解释引擎修改了相关的内容 文件对象、内存对象、字符串对象都不再包含加密、解密成员函数 而是需要声明一个Security对象，再将文件对象、内存对象、字符串对象传给Security对象的Encrypt Decrypt成员函数 见以下代码 #scp #scpeng load:extobj,Security define:se
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
L脚本语言语法手册
L脚本语言语法手册
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
L脚本语言实现OFFICE OLE
L脚本语言内置了对OFFICE OLE的支持，可以通过L脚本语言创建OLEWORD 对象，并对OLE对象进行插入文本、插入图片等操作 例子脚本: 定义:OLEWORD,word 打开:word,"E:\\1.docx" 插入:word,"HELLO OLE!" 插入:word,"图片","E:\\1.jpg" 显示:word 睡眠:5000 关闭:word
L脚本语言图形接口
L脚本语言绘图，同样很简单，下面这个例子在“画布”对象上画一些矩形 #scp 定义:字符串,sting1 定义:画布,canvas 显示:canvas 睡眠:100 定义:整数,x,10 定义:整数,y,10 定义:整数,w,10 定义:整数,hh,10 定义:函数,画矩形 计算:x=x+10,y=y+10,w=x+10,hh=y+10 画:矩形,canv
L脚本语言的数组
L脚本语言的数组
L脚本语言编程实例
L脚本语言编程实例 这里是一些使用Ｌ脚本语言编程的例子，由易到难地演示Ｌ脚本语言的实际应用，所有的脚本例子都可以直接运行。 例子1. HELLOWORD #scp 显示:HELLOWORD 例子2. 消息框 #scp 弹出:消息框,HELLOWORD,tip 例子3. 字符串 #scp 定义:字符串,string1,这是一个测
L脚本语言实现文件加解密
L脚本语言实现文件加解密
L脚本语言语法手册 0.10版
L脚本语言语法手册0.10版 包含中英文关键字
L脚本语言的全局函数
L脚本语言的语法规则只有一条 动作：对象类型，对象名称，参数列表 L脚本语言所有的功能实现都基于这一条基本的语法规则 L脚本语言内置了61个基本的动作定义，这些基本的动作定义其实也可以理解为函数调用，只不过这些动作名称是语言内置的、全局的 那如果我们想要自己扩展L脚本语言的全局动作是否可行呢？ 答案是可行的，L脚本语言提供了将用户定义函数注册为全局动作的接口 我们可以参考一个例
L脚本语言语法手册0.14版
L脚本语言语法手册 0.14版 简 介 L脚本语言是一个轻量级的，旨在接近自然语言的编程语言，目前支持在中文、英文基础上的编程。并可扩展为任意语种。L脚本语言的语法结构简单，程序结构相对松散，易学易用。 目前L脚本语言仍处于开发初期，功能尚不完善。目前在Windows平台提供了一个简单的源码编辑器，建议使用notepad++或者Visual stud
L脚本语言 调用音频对象朗读文本
#scp #scpeng //加载音频扩展对象 load:extobj,Voice define:voice,myvoice define:double,x,8 define:double,pi,3.14 define:double,ret define:int,vol ret=x*pi ret.show() define:string,s,"8乘以3.14等于" s+=ret.transfo...
L脚本语言语法手冊 0.10版
L脚本语言语法手冊 0.10版 简 介 L脚本语言是一个轻量级的，旨在接近自然语言的编程语言，眼下支持在中文、英文基础上的编程。并可扩展为随意语种。L脚本语言的语法结构简单。程序结构相对松散，易学易用。 眼下L脚本语言仍处于开发初期，功能尚不完好。眼下提供了一个简单的源代码编辑器，建议使用notepad++或者ultra...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
