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
1.6k累计阅读
1.6k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
芯片良率提升：从设计到制造的系统性工程实践
在半导体制造领域，良率是衡量生产效率和成本控制的核心指标，直接关系到芯片的经济效益与市场竞争力。其本质是合格芯片占总产出芯片的百分比，提升良率需要从设计源头到制造末端的全流程协同优化。从技术原理看，它涉及可制造性设计、工艺过程控制、缺陷检测与根因分析等多个复杂环节，尤其在先进制程下，随机缺陷和参数变异成为主要挑战。其技术价值不仅在于降低单颗芯片成本，更能加速产品上市、保障可靠性，并成为企业技术实力的关键体现。应用场景贯穿智能手机、数据中心、自动驾驶和人工智能等所有高端芯片领域。本文将结合【芯片制造】与【良率
PowerDesginer 初探(转载) 很不错的一片入门blog
PowerDesigner使用教程 —— 概念数据模型 一、概念数据模型概述 概念数据模型也称信息模型，它以实体－联系(Entity-RelationShip,简称E-R)理论为基础，并对这一理论进行了扩充。它从用户的观点出发对信息进行建模，主要用于数据库的概念级设计。 通常人们先将现实世界抽象为概念世界，然后再将概念世界转为机器世界。换句话说，就是先将现实世界中的客观
【实战指南】基于YOLOv11的肺结节检测系统开发与优化（LUNA2016数据集）
本文提供了基于YOLOv11模型和LUNA2016数据集开发肺结节检测系统的完整实战指南。详细介绍了从环境搭建、数据预处理、模型训练与优化，到构建Web应用系统的全流程，旨在帮助开发者快速掌握医疗影像AI项目的核心开发技能。
powerdesigner 使用
表达的是数据整体逻辑结构，该结构独立于任何软件和数据存储结构，即它只是系统分析人员，应用程序设计人员，维护人员和用户之间相互理解的共同语言，并不针对具体的数据库平台(如Oracle或SQL Server)和工具(PowerBuilder)。概念模型图（Conceptual Diagram）：展示了实体和它们之间的关系，但不包括具体的数据库细节，如表的结构或数据类型。实际情况是，现在有数据库表的情况，需要补充数据库设计文档，所以需要 数据集SQL -> PDM -> CDM。这样所有的表样式就一致了；
【数据挖掘】心跳信号分类预测 之 特征工程 —— 学习笔记（三）
三、特征工程 3.1 看书 常言道，“巧妇难为无米之炊”。在 ML 中，数据和特征将作“米”，模型和算法则为“妇”。若无数量充足的数据、良好表示的特征，再强大的模型也难以得到满意的结果 (garbage in，garbage out)。对于 ML 问题，数据和特征往往决定了结果的上限，而模型、算法的选择及优化则是在逐步接近该上限。 特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。在本质上，特征工程是一个表示和展现数据的过程。在实际中，特征工程旨在去除...
别再硬啃C代码了！用Simulink的Matlab Function模块手把手教你搭建CRC8校验模型（附完整M脚本）
本文详细介绍了如何利用Simulink的Matlab Function模块轻松实现CRC8校验模型，替代传统的C代码编写。通过可视化建模和即时验证，开发者可以高效完成算法设计，并自动生成嵌入式代码。文章包含完整的M脚本示例和工程实践技巧，特别适合嵌入式系统开发人员提升工作效率。
Power Designer创建概念数据模型
上篇介绍了使用Power Designer可以创建的数据模型，今天就来实操一下，来演示怎么创建概念数据模型。 1、首先使用Power Designer新建模型，然后选择概念数据模型
Voltus功耗分析——读入Innovus数据/cpf/spef文件
检查的内容：物理库、时序库、网表、I/Os、tie-high&tie-low pins、电源/地pins。设计数据（LEF/DEF/netlist）、cpf文件、SPEF文件。方法二：定义每个 power/ground net's 电压。4.设计数据检查（design sanity check）方法一：读入.dat数据。方法二：读入def文件。方法一：读入CPF文件。
PowerDesigner(五)-概念数据模型(CDM生成LDM,PDM和OOM)
概念数据模型 概念数据模型(Conceptual Data Model,CDM)：表达的是数据整体逻辑结构，该结构独立于任何软件和数据存储结构，即它只是系统分析人员，应用程序设计人员，维护人员和用户之间相互理解的共同语言，并不针对具体的数据库平台(如Oracle或SQL Server)和工具(PowerBuilder)。CDM所包含的对象通常并没有在物理数据库中实现。 CDM可以完成以
CDD那些事 - DID and SecurityAccess
本文介绍了SecurityAccessSID27的安全访问配置流程：1.通过StateGroups添加Level2群组；2.在Classes定义L2子功能；3.配置4步解锁流程，选择对应解锁等级；4.在DiagnosticInstance设置请求响应。同时说明了DID配置的两种方式：在DIDs页面定义或通过Identification页面创建，前者定义更全面。文章还提到ServiceList支持view/edit模式，其中edit模式可配置DID的多服务支持（如同时支持SID22读取和SID2E写入），但该
使用VNA（Vector Network Analyzer）对S参数进行去嵌（一）
传统上，RF和微波组件被设计成具有同轴接口的封装。通过连接一系列这些单独的同轴设备，可以容易地制造复杂的系统。使用使用类似同轴接口的标准测试设备可以很容易地测量这些部件和系统的性能。然而，现代系统需要更高水平的组件集成、更低的功耗和更低的制造成本。射频组件正在迅速从使用昂贵同轴接口的设计转向使用印刷电路板和表面贴装技术（SMT）的设计。传统的同轴接口甚至可以从最终产品中取消。这就给设计者留下了用需要同轴接口的测试设备测量这些射频和微波组件性能的问题。解决方案是使用连接同轴和非同轴传输线的测试夹具。
PowerDesigner 概念数据模型(CDM) 说明
关于PowerDesigner的说明参考： PowerDesigner 15 概述 http://blog.youkuaiyun.com/tianlesoftware/article/details/6869279 这篇主要了解一下CDM 模型及使用。 一、概念数据模型（CDM）概述 Conceptual Data Model:概念数据模型，它以实体－联系(Entity-RelationShip, ...
YOLOv11改进策略【独家融合改进】| 模型轻量化二次改进：StarNet + FreqFusion，极限降参，适用专栏内所有轻量化模型
FreqFusion是一种旨在解决密集图像预测任务中特征融合问题。
PowerDesigner教程系列（一）概念数据模型
出处：http://www.cnblogs.com/yxonline/category/89658.html怎么成为优秀的软件模型设计者? posted @ 2007-07-09 16:47 KevinYin 阅读(2196) | 评论 (8) 编辑 | PowerDesigner教程系列（六）概念数据模型 posted @ 2007-04-1
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。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
PowerDesigner教程系列（二）概念数据模型
目标：本文主要介绍PowerDesigner概念数据模型以及实体、属性创建。一、新建概念数据模型1）选择File-->New,弹出如图所示对话框，选择CDM模型（即概念数据模型）建立模型。2）完成概念数据模型的创建。以下图示，对当前的工作空间进行简单介绍。（以后再更详细说明）3）选择新增的CDM模型，右击，在弹出的菜单中选择“Properties”属性项，弹出如图所示对话框。在“General”标
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
PowerDesigner教程系列（六）概念数据模型
PowerDesigner教程系列（六）概念数据模型 原文http://www.cnblogs.com/yxonline/archive/2007/04/12/710816.html目标：本文主要介绍联系的定义及使用。 一、联系联系（Relationship）是指实体集这间或实体集内部实例之间的连接。实体之间可以通过联系来相互关联。与实...
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")
引用 PowerDesigner教程系列（一）概念数据模型
目标:本文主要介绍PowerDesigner中概念数据模型 CDM的基本概念。一、概念数据模型概述数据模型是现实世界中数据特征的抽象。数据模型应该满足三个方面的要求：1）能够比较真实地模拟现实世界2）容易为人所理解3）便于计算机实现概念数据模型也称信息模型，它以实体－联系(Entity-RelationShip,简称E-R)理论为基础，并对这一理论进行了扩充。它从用户的观点出发对信息进行建模，主要
PowerDesigner教程系列 概念数据模型（一）
目标:本文主要介绍PowerDesigner中概念数据模型 CDM的基本概念。一、概念数据模型概述数据模型是现实世界中数据特征的抽象。数据模型应该满足三个方面的要求：1）能够比较真实地模拟现实世界2）容易为人所理解3）便于计算机实现概念数据模型也称信息模型，它以实体－联系(Entity-RelationShip,简称E-R)理论为基础，并对这一理论进行了扩充。它从用户的观点出发对信息进行...
PowerDesigner教程系列概念数据模型
目标:本文主要介绍PowerDesigner中概念数据模型 CDM的基本概念。一、概念数据模型概述数据模型是现实世界中数据特征的抽象。数据模型应该满足三个方面的要求：1）能够比较真实地模拟现实世界2）容易为人所理解3）便于计算机实现概念数据模型也称信息模型，它以实体－联系(Entity-RelationShip,简称E-R)理论为基础，并对这一理论进行了扩充。它从用户的观点出发对信息进行建模，主要...
PowerDesigner教程系列 概念数据模型（二）
目标：本文主要介绍PowerDesigner概念数据模型以及实体、属性创建。一、新建概念数据模型1）选择File-->New,弹出如图所示对话框，选择CDM模型（即概念数据模型）建立模型。2）完成概念数据模型的创建。以下图示，对当前的工作空间进行简单介绍。（以后再更详细说明）3）选择新增的CDM模型，右击，在弹出的菜单中选择“Properties”属性项，弹出如图所示对话框。在“G...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
632
扫一扫
