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
4.1k累计阅读
4.2k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
在实际开发的过程中，遇到这样一个问题，使用WebBrowser控件打开一个网页，网页里面加载了一个OCX控件，需要实现两个功能，一个是调用网页中JavaScript函数，一个是移动网页中滚动条的位置。两个功能都用到了COM组件技术。同样都遇到了一个问题，在主程序关闭时，网页中的OCX控件出现异常。开始怀疑是OCX控件在释放资源时有问题，后来调试发现WebBrowser控件关闭时，OCX控件中的析构根本就没执行。
后来终于找到原因，是因为在实现两个功能时，用到的IDispatch* 接口指针没有释放，就算是将其传给另外一个函数，在这个函数执行完毕后也要释放（Release）一下。
组态王画面中打开网页功能使用
在组态王画面中通过控件打开指定的网页，或在组态王中打开网络摄像头的实时画面。
在网页中调用com组件 dll动态库方案
在网页中调用com组件/dll动态库 以vue项目为例的实现demo 实现 实现方案就是使用electron编写一个pc的安装包，在electron里去调用com组件/dll动态库，web项目调用安装包提供的接口实现 新建electron项目 electron的项目可以使用cli创建，这里就不多讲了 安装winax npm i winax electron的项目和纯node项目使用不同，这里需要使用V8引擎重构winax 安装ele
手把手教你用gmid方法设计二级运放：从理论到仿真全流程（附避坑指南）
本文详细介绍了使用gmid方法设计二级运放的全流程，从理论到仿真实践，特别针对初学者常见问题提供避坑指南。通过系统化的晶体管尺寸确定技术，帮助工程师在性能、功耗和面积之间找到最佳平衡点，适用于模拟集成电路设计中的关键模块开发。
SDWebImage
Web image（网络图像） 该库提供了一个支持来自Web的远程图像的UIImageView类别 它提供了: 添加网络图像和缓存管理到Cocoa Touch framework的UIImageView类别 异步图像下载 An asynchronous memory + disk image caching with automatic cache expiration handli...
linux下使用Ollama本地部署LLM
Ollama 是一个用于在本地运行大语言模型（如 Llama 2、Mistral、Gemma、Qwen 等）的工具，支持模型的拉取、运行、管理等功能。当你运行ollama。
永磁同步电机FOC控制实战：如何用线性死区补偿解决低速抖动问题（附Matlab仿真代码）
本文详细介绍了永磁同步电机FOC控制中线性死区补偿技术的工程实现方法，有效解决低速抖动问题。通过Matlab/Simulink仿真验证，该方案可将转矩脉动降低70%以上，显著提升系统稳定性。文章包含完整的数学模型构建、Simulink实现步骤及参数整定技巧，为工程师提供实用解决方案。
WebBrowser调用带有OCX控件页面报错处理方式
将目标框架 .NET Framework 5.1 设置为： .NET Framework 4 Client Profile。即可
如何打开本地网络的防火墙端口（Windows版）解决ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝，无法连接。问题
ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝，无法连接。 最开始在遇到这个报错的时候十分不解，后来经过思考，有可能是服务器端口占用，或者并没有放行。因此搜查问题的关键是要先去排查问题。 在搜索栏输入控制面板 选择防火墙 选择开关 保证这些选项是开着的 选择高级设置 新建规则 创建协议端口 选择端口 允许连接 点击下一步 创建规则后点击下一步（后命名） 选择任意端口ALL即可 问题排查完毕！socket创建网络通信时，有读者
如何在 WinCC Runtime Professional 中自动调整画面分辨率适应窗口的大小?
在WinCC Runtime Professional中分辨率的变化会导致画面显示尺寸不完整或缩减。为了使画面分辨率自动适应窗口的大小，必须更改WinCC Runtime Professional的运行时设置以及窗口外观设置。通过在组态中修改窗口和运行设置，可以使在窗口中显示画面的尺寸自动适应新窗口的尺寸。通过进行以下设置，您可以避免更改每个画面的分辨率。在 "特性" 下使能选项 "适合屏幕到窗口"。在 "窗口行为" 下使能选项 "调整画面"。S7_1200配方功能快速入门。双击 "运行设置"。
Python爬虫实战：如何高效抓取拼多多商品信息、销量与价格数据，破解反爬虫挑战
**摘要：**本文介绍利用Python爬虫技术抓取拼多多商品数据（价格、销量等）的方法与应用价值。通过分析拼多多商品页面的HTML结构，使用Requests和Selenium获取数据，并应对反爬虫机制（IP代理、请求头伪装等）。数据可存储于MongoDB或CSV用于市场监控、竞品分析等场景。文章涵盖技术选型、实战代码示例及反爬策略，为电商数据分析提供实用指导。
RTDETR最强结构图 | 包含模型整体结构图 | 全模块展开图 | AiFi模块展开图
RT-DETR 最全结构图
Com组件开发用于浏览器插件
在 IE的世界中，插件存在的方式有两个种; （1）、activeX 插件 （2）、COM插件，也就是BHO插件 com为组件之间提供了交互的规范，也实现了提供交互的环境，因为组件之间交互的规范不涉及任何的语言，所以Com是为不同语言之间协作开发的一种标准 OLE技术以COM技术为基础 COM规范包括规范和实现两大部分，规范部分定义了组件与组件之间通信的机制，这些规范不
华为OD机试真题 新系统【网络数据包收发处理】
华为OD机试 新系统真题【网络数据包收发处理】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【网络数据包收发处理】多语言题解。
C# WinForm 窗体应用程序，调用 javascript 脚本
场景描述 今天做了个功能，要访问第三方系统数据， 他们提供 Com 组件，我们使用的是winform 调用 com组件访问对方提供的xml数据！ 结果，com 组件在 winform 中调用 com 组件失败！实在无语了！ 和对方工程师沟通他们测试没问题。更郁闷了！ 他们提供一个测试页，是用一个静态页调用的。 我们拿到了这个测试页，在本地运行也没问题！比较怪异啊~~~~~~ 是在没辙...
饥饿游戏搜索算法（HGS）详解：从生物激励到智能优化
饥饿游戏搜索算法(HGS)是一种受动物饥饿驱动觅食行为启发的智能优化算法。该算法通过模拟生物饥饿程度与觅食策略的关系，将个体适应度映射为饥饿感，并据此动态调整搜索行为。HGS的核心机制包括：1) 饥饿权重计算(W1/W2)，2) 三种位置更新策略(随机探索、正向/负向协作)，3) 自适应平衡参数E。算法通过迭代优化逐步改进解的质量，具有参数自适应、全局搜索能力强等特点，在复杂优化问题中表现出色。相比传统优化方法，HGS更注重个体内部状态对搜索行为的影响，实现了探索与开发的自然平衡。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
VB WebBrowser控件总结
1.webbrowser控件的DocumentComplete和DownloadComplete的区别文档完全下载后，一个 DownloadComplete 事件就被引发。这并不一定表明可以通过对象模型安全地访问文档内容了。DocumentComplete 事件才表明所有的工作都已完成并且文档已经就绪。 DocumentComplete url请求的页面完成；当整个文档完成时激发，刷新页面不激发 DownloadComplete url中请求的下载完成；当某项下载操作已经完成后激发，刷新也可
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
C#中WebBrowser的使用
网页与应用程序的交互不外乎是网页上点击某链接，或通过其它途径，比如表单提交等，使浏览器导航至新的链接，所以我通过BeforeNavigate2这个事件来，该事件有flags、headers、postData、targetFrameName、uRL等属性，足够我们进行处理。这样我们程序就好像一个WebServer，可以处理网页上的链接、提交的表单等等。由于是COM过来的控件，它的一些函数就比较怪，基本的Navigate函数除了第一个参数外，其它都是ref类型的，需要显式地写ref才能调用;
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")
C#中使用WebBrowser控件
首先在工具箱中右键选择【添加和移除项 】然后选择Com组件,找到【MicroSoft Web浏览器】，选中后确定在应用程序中添加一个WebBrowser控件, private void Form1_Load(object sender, System.EventArgs e)...{ object flags= 0; object targetframe= "";
python webbrowser控件_WebBrowser控件使用详解
方法说明GoBack相当于IE的“后退”按钮，使你在当前历史列表中后退一项GoForward相当于IE的“前进”按钮，使你在当前历史列表中前进一项GoHome相当于IE的“主页”按钮，连接用户默认的主页GoSearch相当于IE的“搜索”按钮，连接用户默认的搜索页面Navigate连接到指定的URLRefresh刷新当前页面Refresh2同上，只是可以指定刷新级别，所指定的刷新级别的值来自Ref...
WebBrowser控件使用详解
WebBrowser控件使用详解 方法 说明 GoBack 相当于IE的“后退”按钮，使你在当前历史列表中后退一项 GoForward 相当于IE的“前进”按钮，使你在当前历史列表中前进一项 GoHome 相当于IE的“主页”按钮，连接用户默认的主页 GoSearch 相当于IE的“搜索”按钮，连接用户默认的搜索页面 Navigate 连接到指定的URL Refresh 刷新当前页面...
利用WebBrowser控件实现百度自动搜索
更多精彩内容，请见：http://www.16boke.com (1)新建一个MFC对话框项目 (2)对话框中添加WebBrower控件，添加方法：点击菜单栏工具->选择工具箱项->在弹出的选择工具箱项对话框选择COM组件->Microsoft Web Browser->确定，添加到对话框中即可。 (3)将CWebBrowser2.h和CWebBrowser2.cpp添加到项目中，XXXdlg.h中包含头文件 #include
Winform中WebBrowser控件的使用技巧
目前大多数公司做项目还是采用B/S架构居多，B/S架构的主要优点是易于维护，当然还有很多，此处我就不一一列举了。但有些软件由于某些原因必须用C/S架构实现，但又想使界面达到和B/S一样美观的效果，那怎么办呢？ 曾经有句话是这样说的：鱼和熊掌不能兼得。大家可能也这样认为，但我要告诉你，科技的发展只有想不到的没有做不到的。下面我就带大家领略一下在winform中嵌入html的方法。 做过.net
WebBrowser控件捕捉DHTML事件
WebBrowser控件捕捉DHTML事件 SunHai 开发工具：Microsoft Visual Studio .NET 2003 操作系统：Windows XP 原文：http://www.devx.com/vb2themax/tip/18798 和其他控件一样，我们可以用WebBrowser控件来构筑我
C# 禁止 Webbrowser 控件的弹出脚本错误对话框
当IE浏览器遇到脚本错误时浏览器，左下角会出现一个黄色图标，点击可以查看脚本错误的详细信息，并不会有弹出的错误信息框。当我们使用 WebBrowser控件时有错误信息框弹出，这样程序显的很不友好，而且会让一些自动执行的程序暂停。我看到有人采取的解决方案是做一个窗体杀手程序来关闭弹出的窗体。今天探讨的方法是从控件解决问题。 1、SHDocVw.dll 在COM时代我们使用的WebBrowser控件是
使用WebBrowser控件与网页通信，互相调用
本例程序运行效果图如下所示： WebBrowser控件之所有强大，一方面是由于控件本身提从了一系列的方法，包括打开网页，获取网页信息，操作网页（如前进后通等），拦截网页事件，另一方面则是提供了与网页相调用的机制。即以下2点： 1：让HTML页面的js调用我们在WebBrowser控件外面编写的函数。 2：让我们可以调用网页中的Javascript代码 如果能够让网页里的Ja
在Qt中如何使用WebBrowser这个ActiveX控件
http://www.qtcn.org/blog/article.php?itemid-565-type-blog.html 以前用BCB和C#的时候，都曾用到过WebBrowser这个ActiveX控件，在BCB里称为CppWebBrowser，使用它来嵌入到程序中，很不错的功能。现在用Qt，想在程序中嵌入一个网页浏览器，有哪些方法呢？Qt自带了一个QTextBrowser，但是它只能
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2789
扫一扫
