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
800+累计阅读
892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
一直关注特斯拉车型的发展，估计model3发布时，还是有希望拥有一辆的。
我设想一种新的模式，就是中心化的专车模式。公司租一个客服中心，里面放上车辆模拟驾驶器，专车司机们像客服一样在模拟驾驶器中操作。实际的车辆在城市中平均分布，接到客户叫车时，只要系统选择一辆最近的车，让司机与此车远程连接，就可以去接客人，完成送人任务，直接停到附近停车场充电。这样司机可以连续接单，不受地域限制。
这个模式中，客服中心系统已经很成熟，模拟驾驶器是驾校都淘汰的设置（成熟过头了），远程驾驶估计需要传感器技术（不知道远程响应如何）。
这个愿望要是实现了，专车司机估计会忙疯了。uber也是浮云啊！
期待特斯拉能实现这个愿望~~~
【算法实战】Keystone变换：从原理到MATLAB实现的距离走动校正
本文深入解析Keystone变换在雷达信号处理中的距离走动校正应用，从原理到MATLAB实现全面讲解。通过三种实现方法（DFT+IFFT、Sinc插值、Chirp-Z变换）的对比分析，结合实战案例展示如何有效解决高速目标导致的距离单元跨越问题，提升多普勒频谱聚焦质量。
全球及中国互联网专车行业运作模式及竞争格局展望报告2021-2027年
全球及中国互联网专车行业运作模式及竞争格局展望报告2021-2027年 HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS-- 【修订日期】：2021年10月 【搜索鸿晟信合研究院查看官网更多内容！】 第一章 互联网专车基本概述 1.1 互联网专车的概念阐释 1.1.1 互联网专车的定义 1.1.2 互联网专车特点 1.1.3 行业发展必然性 1.2 互联网专车与出租车的区别 1.2.1 车辆来源 1.2.2 用车费用 1.2.3 服务方式 第二...
txt经纬度批量转面要素（附自定义ArcGIS工具箱方法）
当涉及大量txt坐标文件需要转换成面要素的时候，逐步操作工作量较大。本文由需求出发，以ArcGIS10.2为例，采用python脚本自定义ArcGIS工具，实现批量操作的目的。
嵌入式固件进阶：启动流程、故障定位与OTA升级实战解析
嵌入式固件开发中，系统上电后能否按预期运行、偶发崩溃如何快速定位、设备上线后怎样安全升级，始终是工程师最关心的稳定性难题。一切可靠性的根基，源于对启动流程的深刻理解——从Cortex-M的向量表与栈指针初始化，到MCU单级启动与SoC多级引导的差异，再到RT-Thread和U-Boot在各自体系中的角色，层层拆解才能让固件真正“跑得起来”。当故障发生时，基于日志分级、异常栈帧保存和黑匣子机制的方法论，能将模糊的“死机复位”转化为可追踪的PC/LR反查路径，快速缩小排查范围。而OTA升级工程化则强调A/B分区
从Canny到深度学习：边缘检测指标进化史（含ODS/OIS/AP的数学推导）
本文系统梳理了边缘检测评估指标的演进历程，从经典的Canny算子到深度学习时代，重点解析了ODS、OIS和AP三大核心指标的设计哲学与数学推导。文章深入探讨了基于PR曲线的评估体系，揭示了不同指标（如ODS与OIS）在阈值优化上的差异，并分析了AP指标在边缘检测任务中的优势与局限，为算法研究和模型评估提供了实用指南。
华为MetaERP国资委语境下的 DRP（全域数字化资源管理平台/Digitalized Resource-management Platform）与传统 ERP（以 SAP、Oracle 为代表）的
【摘要】国资委推动的DRP（全域数字化资源管理平台）正在重构央国企数智化转型路径，其本质是通过"ERP管交易+DRP管管控"的双层架构实现升维替代。与传统ERP相比，DRP具有三大突破：采用国产分布式数据库实现全级次穿透监管、构建数据中台打破信息孤岛、以实时分析替代事后报表。当前政策明确2026-2030年分阶段建设目标，这将重塑产业格局——倒逼传统ERP厂商转型，为云原生/AI/信创企业创造新机遇。需注意DRP并非简单替代ERP，而是通过治理模式变革实现"交易系统做薄、管控中
传统行业互联网化的商业模式分析框架
互联网+是中国在2015年最炙手可热的概念。之所以这个概念如此火爆，原因还是在于中国经济发展的历史必然。纵观中国近20年的经济发展，国家领导人出访时最拿得出手展示的除了高铁、基建就是互联网。近20年互联网经济的蓬勃发展要归功于庞大的人口基数、全新领域尚无垄断和约束，以及国内相对隔离的互联网环境。从最早的1.0的门户到2.0的UGC，再到现在的移动互联网时代，互联网在逐步深入到实体经济中，直接影响人...
Ansys Lumerical双层扭曲液晶偏振光栅仿真：宽角度衍射效率优化
Ansys Lumerical双层扭曲液晶偏振光栅仿真研究 摘要 本文采用Ansys Lumerical软件平台，对双层扭曲液晶偏振光栅的宽角度衍射特性进行系统仿真研究。针对6μm周期的液晶光栅结构，以1050nm、1064nm和1550nm三个近红外波段为研究对象，在±40°入射角范围内优化平均衍射效率。研究基于液晶材料的双折射特性（Δn=0.135），通过构建两层扭曲方向相反的液晶层结构，扫描0-90°单层扭曲角度和不同厚度参数，利用RCWA求解器进行严格耦合波分析~~~~~~~
深度复盘 | 滴滴专车会员项目如何做好设计优化
PMCAFF（www.pmcaff.com）：互联网产品社区，是百度，腾讯，阿里等产品经理的学习交流平台。定期出品深度产品观察，互联产品研究首选。外包大师（www.waibaodashi...
SQL面试题——最大连续登陆问题
最大连续登陆是我们计算比较常用的指标，我们可以将其当成一个经典的SQL模型，后面我们也会陆续总结出其他的模型，你还知道其他的比较经典的SQL 吗？欢迎分享，或者你还知道其他的关于计算连续的指标？最大连续登陆重要的是计算思想，最大连续才是关键，登陆只是一个场景，要学会举一反三。
把个人化的 SQVI 报表变成可维护、可共享、可传输的 ABAP Query：从定位来源到转换落地的完整路线图
本文针对SAP系统中业务用户常用但难以维护的SQVI临时报表问题，提供了一套完整的解决方案。文章首先区分了SQVI（个人临时报表）和ABAP Query（团队可维护报表）的关键差异，重点介绍了如何通过函数模块RSAQ_DECODE_REPORT_NAME反查报表来源。对于SQVI报表，详细说明了定位创建人和转换为团队可维护的ABAP Query的具体步骤，包括Query Area切换、转换操作和后续维护方法。最后总结了常见问题的解决方案，如字段调整、口径固化和生成程序名反查等，为现场实施提供了可直接操作的完
从刚刚上线的礼橙专车，看滴滴的技术和服务双轮驱动
6月29日，滴滴专车启用“礼橙专车”的新品牌，发布了新LOGO，相对于此前的专车业务而言，“礼橙专车”有八大升级点。发布会刚结束，滴滴App和微信入口中，专车就已变为“礼橙”，今年内礼橙专车还将上线独立APP，对于专车用户来说，只是偶尔用一下专车服务的可以继续用原来的平台，如果是核心重度用户则可以考虑专属App。对于滴滴此举有人表示不解，比如我的微信群里就有人说，滴滴这是要分拆专车业务独立发展吗？...
把 ABAP ALE Change Pointers 讲透：从 CDHDR/CDPOS 到 BDCP2，再到 RBDMIDOC 的自动分发链路
摘要：SAP ALE Change Pointers机制在系统集成中实现业务变更与数据分发的解耦。它记录业务对象变更（如SAP主数据修改），但不立即发送，而是由后续分发逻辑决定发送时机和方式。该机制包含两层：Change Documents记录审计级变更明细，Change Pointers标记需分发的关键变更。配置核心包括全局开关、消息类型激活和字段选择。典型应用如零售价格条件变更自动推送至POS系统，通过BDCP2表存储待处理队列，由RBDMIDOC程序定时评估生成IDoc。运维需关注定期清理和性能优化，
【互联网品读】神马专车，采购特斯拉，损失650万，时代广场维权
近日，国内共享汽车，新能源租车平台神马专车，采购278辆特斯拉电动汽车。因为特斯拉质量问题频频发生，且特斯拉售后服务不及时。对神马专车平台正常运营造成了直接影响。 损失高达650万，为了捍卫自身合法权益，神马专车平台特地奔赴特斯拉上市所在地纽约，在纽约时代广场进行维权，希望通过此维权获得特斯拉的合理解决方案。 神马专车表示：神马专车多次积极地狱特斯拉交涉，寻求良好地售后处理...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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")
极光大数据：2018年5月专车市场研究报告
自2016年下半年，网约车新政出台以来，推动了专车市场的重新洗牌。目前，市场头部平台已经显露，形成滴滴出行、神州专车、易到和首汽四分天下的大势，行业竞争也从“拼补贴”转向“拼服务”的下半场。极光大数据发布《2018年5月专车市场研究报告》，以滴滴出行、神州专车、易到和首汽约车四款专车app为主要调研对象，从市场概况、运营数据、用户画像、用户态度、用户使用习惯等全面分析专车市场。 极光观点： ...
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
嘉兴接入中高端网约车服务 神州专车助力智慧城市建设
5月24日，神州专车正式入驻浙江省嘉兴市，并获得由嘉兴市交通运输管理局颁发的《网络预约出租汽车经营许可证》，成为当地首家合法化运营的网约车平台。同时，首批300辆神州专车将陆续投放市场，为市民提供安全、舒适、标准化的出行服务。目前，神州专车已在全国获得22张网约车运营牌照。 今年1月，嘉兴市网约车新政细则正式落地实施。按照新政要求，网约车车辆首先要取得《...
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
专车新规或下周发布，估计有大量司机流失
滴滴快车单单2.5倍，注册地址：http://www.udache.com/ 如何注册Uber司机(全国版最新最详细注册流程)/月入2万/不用抢单：http://www.cnblogs.com/mfryf/p/4612609.html 优步奖励低/不挣钱/怎么办?看这里：http://www.cnblogs.com/mfryf/p/4642173.html 打豪车应用：uber详细攻略（附1...
驹马白如冰：3-5年做到30000辆城配专车
12月15日，运联传媒“2016最后一公里创新创业大会”在上海召开。驹马物流CEO白如冰出席并参与创新路演，分享驹马物流如何做到城配物流的创新变革，并表达了在3-5年内做到3万辆城配专车的宏观愿景。 从2013到2016，一波又一波的创新模式不断涌现。在此期间，驹马物流迎着信息技术的浪潮，从众多传统行业成功转型，构建互联网+城市配送专车车队，脱颖而出成为现代城市物流企业的代表。面对城市...
Hadoop 中zoo_神马专车 | 专车中的头等舱，头等舱服务开始走向全国
成都IT内推圈成立于2016年,专注成都IT互联网领域的招聘与求职;覆盖精准IT人群10W+,通过内推圈推荐且已入职人数超过5000+,合作公司均系成都知名或靠谱公司.此公众号每天7:30AM准时推送当天职位详情,敬请关注并置顶！nt岗位投递一、登陆内推圈官网:www.itneituiquan.com, 完善在线简历或上传附件简历二、手机打开内推圈小程序“内推圈Plus"，搜索并投递匹...
打造司机在线培训，网易云信助力曹操专车“一路畅行”
自2016年出台《网络预约出租汽车经营服务管理暂行办法》后，安全成为了网约车监管的一大重点。能够为用户提供舒适性好、性价比高、方便快捷等等利好服务的网约车，在经历了“野蛮生长”的初期发展...
神州专车全站HTTPS加密，保护用户数据安全
为什么80%的码农都做不了架构师？>>> ...
中国互联网三巨头“缠斗”至租车行业
8月5日电 (记者 彭大伟)当多数人尚对今年上半年打车软件人民币亿元烧钱大战记忆犹新之时，中国互联网行业三巨头BAT(百度、阿里、腾讯)又发掘了新的“角斗场”。 这一次，BAT将在租车市场展开“斗法”。 易到用车5日向中新社记者表示，日前已与百度达成合作协议，以百度地图作为平台联合推出“百度专车”，目前产品已经在安卓端上线，iOS端不久亦将上线。 在百度此番推出“专车”服务之前，
互联网产品创新从哪来
前年快的与滴滴打车烧钱血拼的时候，和同事讨论互联网打车怎么盈利后续的发展回是怎么样，当时思维方式主要基于垂直思维方式考虑问题，2家公司都为抢占市场或者是培育市场，最后通过打车软件开始收取服务费或者广告费什么的。 事物是发展变化的。国内最初的神州租车，互联网下滴滴快的血拼打车市场被充分搅动，今年滴滴快的宣布合并，业务从最初的打车、租车，发展到现在的专车服务，再到现在的顺风车、拼车服务；全球火热的u
城市拥堵加剧，都是互联网快车惹的祸？
滴滴快车单单2.5倍，注册地址：http://www.udache.com/ 如何注册Uber司机(全国版最新最详细注册流程)/月入2万/不用抢单：http://www.cnblogs.com/mfryf/p/4612609.html 优步奖励低/不挣钱/怎么办?看这里：http://www.cnblogs.com/mfryf/p/4642173.html 打豪车应用：uber详细攻略（附1...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
292
扫一扫
