SysML图例-制药

最新推荐文章于 2024-09-26 09:36:10 发布
原创 最新推荐文章于 2024-09-26 09:36:10 发布 · 259 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#SysML #MBSE

SysML图例-洗衣机
rolt的专栏
09-07 468
如何从零开始用建模工具把模型画出来，教程里没有写。
SysML图例-无人机
rolt的专栏
09-27 261
内部块图
SysML图例-布洛芬
rolt的专栏
12-22 412
如何用建模工具画出这些图
SysML图例-电动牙刷
rolt的专栏
09-14 335
DDD领域驱动设计批评文集>>《软件方法》强化自测题集>>《软件方法》各章合集>>
SysML图例-月球火星探测车
rolt的专栏
09-26 232
参数图、内部块图
SysML图例-农业无人机
rolt的专栏
09-16 457
如何一步步画出这些图
富士施乐专用文档浏览器，查看dw格式
01-03
根据原作 https://pan.quark.cn/s/516ea913e59d 的源码改编 该软件较为少见，主要用于处理xerox设备扫描生成的文档，同时也适用于基于此工具创建的文件
地级市-信息消费试点政策DID（2000-2024年）.xlsx
01-03
2013年国务院发布《关于促进信息消费扩大内需的若干意见》，明确提出要推动信息消费，有效拉动需求，催生新的经济增长点 工信部于2013年、2015年分两批次遴选出104个信息消费试点城市：2013 年确定北京市等68个城市为首批国家信息消费试点市（县、区）；2015年确定上海市等36个城市为第二批国家信息消费试点市（县、区）并于2016年印发了《2016年国家信息消费示范城市建设指南》，将北京、上海、大连等25个城市作为信息消费示范城市 信息消费试点政策DID：该变量为虚拟变量，若某城市在某年被列入试点城市，那么该城市在当年及之后均赋值为1，反之则为0 ## 一、数据介绍 数据名称：信息消费试点政策DID 数据范围：297个地级以上城市 时间范围：2000-2024年 样本数量：7426条 数据来源：工信部 更新时间：2025年11月
边缘计算环境中基于启发式算法的深度神经网络卸载策略（Matlab代码实现）
01-03
边缘计算环境中基于启发式算法的深度神经网络卸载策略（Matlab代码实现）内容概要：本文围绕“边缘计算环境中基于启发式算法的深度神经网络卸载策略”展开，提出了一种利用启发式算法优化深度神经网络任务在边缘计算环境中的计算卸载方案。通过Matlab代码实现，研究如何将复杂的神经网络任务合理分配到边缘设备与云端，以降低延迟、节省能耗并提高系统效率。文中重点探讨了任务分割、资源调度、通信开销与计算能力之间的权衡，并借助启发式算法（如遗传算法、粒子群优化等）寻找近似最优的卸载决策。该方法适用于资源受限的边缘计算场景，具有较强的工程应用价值。; 适合人群：具备一定编程基础和算法知识，熟悉Matlab工具，从事边缘计算、物联网、人工智能或智能优化方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于解决边缘智能中深度学习任务的高效部署问题；②为移动端或嵌入式设备上的AI应用提供低延迟、低功耗的任务卸载策略；③支撑智慧城市、自动驾驶、工业物联网等实时性要求高的应用场景。; 阅读建议：建议读者结合提供的Matlab代码进行实验复现，深入理解算法实现细节与系统建模过程，同时可尝试替换不同启发式算法或调整网络结构以进一步优化性能。
航拍图像多类别实例分割数据集-20251116-121603.zip
01-03
航拍图像多类别实例分割数据集 一、基础信息 • 数据集名称：航拍图像多类别实例分割数据集 • 图片数量： 训练集：1283张图片 验证集：416张图片 总计：1699张航拍图片 • 训练集：1283张图片 • 验证集：416张图片 • 总计：1699张航拍图片 • 分类类别： 桥梁（Bridge） 田径场（GroundTrackField） 港口（Harbor） 直升机（Helicopter） 大型车辆（LargeVehicle） 环岛（Roundabout） 小型车辆（SmallVehicle） 足球场（Soccerballfield） 游泳池（Swimmingpool） 棒球场（baseballdiamond） 篮球场（basketballcourt） 飞机（plane） 船只（ship） 储罐（storagetank） 网球场（tennis_court） • 桥梁（Bridge） • 田径场（GroundTrackField） • 港口（Harbor） • 直升机（Helicopter） • 大型车辆（LargeVehicle） • 环岛（Roundabout） • 小型车辆（SmallVehicle） • 足球场（Soccerballfield） • 游泳池（Swimmingpool） • 棒球场（baseballdiamond） • 篮球场（basketballcourt） • 飞机（plane） • 船只（ship） • 储罐（storagetank） • 网球场（tennis_court） • 标注格式：YOLO格式，包含实例分割的多边形坐标，适用于实例分割任务。 • 数据格式：航拍图像数据。 二、适用场景 • 航拍图像分析系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割航拍图像中各种物体的AI模型，用于地理信息系统、环境监测等。 • 城市
合肥员工终面需知.docx
01-03
合肥员工终面需知.docx
【计算机视觉】基于YOLOv5/v8/v10的球场设备检测系统设计：体育场馆智能运维应用
01-03
内容概要：本文是一份关于基于YOLOv5、YOLOv8和YOLOv10的体育场内球场设备检测系统的完整实践指南，旨在帮助学生完成毕业设计。文章详细介绍了目标检测模型YOLO系列的基本原理与差异，指导读者从环境搭建、数据采集与标注、模型训练到实时检测和可视化界面开发的全流程。通过构建一个能识别篮球架、球门、球网等体育设施的智能系统，实现场馆运维、赛事保障等实际场景的应用，并建议进行多模型对比实验以提升毕设深度。配套代码与数据配置链接也已提供，便于快速上手。; 适合人群：计算机相关专业、具备一定Python编程基础、正在准备毕业设计的学生，尤其是对人工智能、计算机视觉方向感兴趣的研发初学者。; 使用场景及目标：① 掌握YOLO系列模型在真实场景中的应用方法；② 完成一套可运行的球场设备自动检测系统用于毕设展示；③ 通过模型对比实验提升项目科研深度，增强答辩竞争力； 阅读建议：建议按照文档步骤循序渐进操作，重点理解数据准备与模型训练的关键环节，同时结合提供的代码链接进行实践调试，确保各模块顺利运行，最终集成完整系统并做好演示准备。
【计算机视觉】基于YOLO系列的目标检测模型在交通事故识别中的应用：智能交通监控与实时报警系统设计
01-03
内容概要：本文详细介绍了一个基于YOLO系列模型（YOLOv5/YOLOv8/YOLOv10）的车祸检测与事故报警系统的设计与实现，适用于毕业设计项目。文章从项目背景出发，阐述了传统人工监控的局限性和智能车祸检测的社会价值，随后对比分析了YOLO不同版本的特点，指导读者根据需求选择合适的模型。接着，系统明确了核心功能目标，包括车祸识别、实时报警、多场景适配和可视化界面开发。在技术实现部分，文章讲解了数据集获取与标注方法、数据增强策略、模型训练与评估流程，并提供了完整的代码示例，涵盖环境搭建、训练指令、推理测试以及基于Tkinter的图形界面开发，实现了视频加载、实时检测与弹窗报警功能。最后，文章总结了项目的全流程实践意义，并展望了未来在智慧城市、车联网等方向的扩展潜力。; 适合人群：计算机相关专业本科毕业生，具备一定Python编程基础和机器学习基础知识，正在进行毕业设计的学生；; 使用场景及目标：①完成一个具有实际社会价值的毕设项目，展示从数据处理到模型部署的全流程能力；②掌握YOLO目标检测模型的应用与优化技巧；③开发具备实时检测与报警功能的交通监控系统，用于答辩演示或科研展示； 阅读建议：建议按照“背景—数据—模型—界面—总结”的顺序逐步实践，结合提供的代码链接进行动手操作，在训练模型时注意调整参数以适应本地硬件条件，同时可在基础上拓展更多功能如短信报警、多摄像头接入等以提升项目创新性。
ZPW-2000 轨道电路信号的FSK调制发码实验
最新发布
01-03
ZPW-2000 轨道电路信号的FSK调制发码实验
边缘计算基于昇腾310的深度学习模型移植：Atlas 200DK上ONNX模型转OM及推理部署全流程
01-03
内容概要：本文详细介绍了在华为昇腾310 Atlas 200DK开发板上完成深度学习模型移植与推理的全流程，涵盖从环境搭建、模型转换、推理代码开发到部署运行的核心步骤。重点使用华为ATC模型转换工具将ONNX等格式模型转为昇腾专用的.om格式，并通过AscendCL编程接口实现Python端的推理应用。文中以ResNet50图像分类为例，提供了完整的预处理、推理执行和后处理代码，并附带常见问题解决与性能优化建议，帮助开发者高效实现边缘侧AI部署。; 适合人群：具备一定深度学习基础和Python编程能力，从事边缘计算、嵌入式AI开发的工程师或学生，尤其是希望将模型部署到国产AI芯片平台的技术人员； 使用场景及目标：①在工业质检、智能监控等场景中实现本地化AI推理；②掌握昇腾平台的模型转换（ATC）与推理开发（AscendCL）核心技术；③提升在国产化硬件上部署AI模型的实战能力； 阅读建议：建议结合飞书链接中的代码和文档同步实践，严格按照流程配置环境、转换模型并调试推理程序，重点关注输入形状匹配、资源管理与性能优化细节，以确保部署成功。
基于Java的校学生会招新报名系统的设计与实现源码.zip
01-03
基于Java的校学生会招新报名系统的设计与实现源码.zip
航拍建筑物道路植被分割数据集-20251116-113802.zip
01-03
航拍建筑物道路植被分割数据集 一、基础信息 • 数据集名称：航拍建筑物道路植被分割数据集 • 图片数量： 训练集：3933张图片 验证集：144张图片 测试集：51张图片 总计：4128张航拍图片 • 训练集：3933张图片 • 验证集：144张图片 • 测试集：51张图片 • 总计：4128张航拍图片 • 分类类别： 建筑物：常见的人造结构，如房屋和建筑群。 道路：交通路径，包括街道和公路。 植被：植物覆盖区域，如树木、草地和农作物。 • 建筑物：常见的人造结构，如房屋和建筑群。 • 道路：交通路径，包括街道和公路。 • 植被：植物覆盖区域，如树木、草地和农作物。 • 标注格式：YOLO格式，包含多边形坐标，适用于实例分割任务。 • 数据格式：航拍图像，来源于航空摄影，格式为常见图像文件（如JPEG/PNG）。 二、适用场景 • 航拍图像分析系统开发：支持构建自动识别和分割建筑物、道路、植被的AI模型，应用于城市规划、土地监测和环境评估。 • 农业与环境监测：用于植被覆盖分析、道路网络规划，助力精准农业和生态保护。 • 学术研究与算法验证：为计算机视觉实例分割任务提供基准数据，推动遥感图像处理技术的创新。 • 教育与培训：作为地理信息系统和遥感课程的教学资源，帮助学生掌握地物分类与分割技能。 三、数据集优势 • 精准标注与多样性：标注采用YOLO多边形格式，精确描述对象轮廓；覆盖三种关键地物类别，样本多样，提升模型鲁棒性。 • 大规模数据：包含超过4000张航拍图片，训练集丰富，有助于提高分割精度和泛化能力。 • 任务适配性强：兼容主流深度学习框架（如YOLO、Mask R-CNN等），直接支持实例分割任务，并可扩展至其他视觉应用。 • 实际应用价值：专注于航拍视角，为自动驾驶、城市管理和环境监测等领域提供高质量数据支撑。
【软件工程分析报告】文档为思科、华为、H3C网络设备命令对照表，用于对比三者在配置命令上的差异，便于技术人员跨平台操作与学习
01-03
内容概要：本文档为《思科、华为、H3C命令对照表_净化版》，主要提供思科（Cisco）、华为（Huawei）和H3C三大厂商网络设备常用命令的对照参考。涵盖设备的基本配置、接口配置、路由协议、VLAN、ACL、SSH、Telnet、保存配置、查看状态信息等方面的命令对比，帮助网络工程师在不同厂商设备间快速切换操作命令。文档以表格形式呈现，结构清晰，便于查阅，适用于多厂商环境下的网络运维与故障排查。; 适合人群：从事网络工程的技术人员，尤其是需要在思科、华为、H3C设备间进行切换操作的运维人员或初学者；也适合备考网络认证（如CCNA、HCIA、H3CNE）的学习者； 使用场景及目标：①在实际工作中快速查找对应厂商的等效命令，提升配置效率；②学习不同厂商设备的命令行语法差异，增强跨平台操作能力；③用于教学培训中作为命令速查手册； 阅读建议：此文档为命令对照类工具表，建议结合实际设备操作练习，边查边用，加深记忆。注意区分各厂商命令层级和语法结构差异，避免误操作。同时可将其作为网络实验或多厂商项目实施时的辅助参考资料。
道路异常实例分割数据集-20251116-172615.zip
01-03
道路异常实例分割数据集 一、基础信息 • 数据集名称：道路异常实例分割数据集 • 图片数量：训练集14,161张，验证集705张，测试集473张，总计15,339张图片 • 分类类别：'0', 'Manhole', 'Open-Manholes', 'Pothole', 'Speed Bump', 'Unmarked Bump', 'object', 'pothole' • 标注格式：YOLO格式，适用于实例分割任务，标注包含多边形坐标点 二、适用场景 • 自动驾驶系统开发：用于检测道路上的异常物体，如井盖、坑洞和减速带等，提升车辆环境感知能力，确保行驶安全。 • 道路维护与监测：支持市政部门自动识别道路损坏和异常，实现高效维护和风险预警。 • 交通安全研究：分析道路异常对交通流量的影响，助力开发智能预警系统和优化交通管理。 • 计算机视觉算法测试：作为实例分割任务的基准数据集，用于模型训练、评估和学术研究。 三、数据集优势 • 类别多样性：覆盖多种道路异常类型，包括井盖、坑洞和减速带等，增强模型在复杂场景下的泛化能力。 • 标注精度高：采用YOLO格式的多边形标注，精确捕捉物体轮廓，适用于实例分割任务的细粒度分析。 • 数据规模大：提供超过1.5万张标注图片，为深度学习模型提供充足的训练和验证样本。 • 实用性强：直接应用于自动驾驶、智能交通和基础设施监测领域，具有重要的工业和学术价值。
Gendoc模板在Papyrus SysML 1.4模型文档生成中的应用
资源摘要信息:"SysML14-Gendoc-Example:使用Gendoc模板为Papyrus SysML 1.4模型生成文档" 本文档介绍了SysML14-Gendoc-Example项目，该项目为Papyrus SysML 1.4模型提供了一个使用Gendoc模板生成文档的示例。SysML...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值