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
1k累计阅读
1k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
def get_score_time_weight(original, offset,scale,current_data):
diff = current_data-original
if math.fabs(diff) < offset:
return 1
else:
var_sqr = scale**2/(2*math.log(2))
return math.pow(math.e,-(math.fabs(diff)-offset)**2/(2*var_sqr))
效果如下：
对应的实际计算公式正态分布概率密度函数去掉常数项为：
别再乱调参数了！用Python手把手教你理解高斯模糊的‘有效半径’与Sigma关系
本文深入解析高斯模糊的核心参数关系，通过Python代码演示如何科学计算‘有效模糊半径’与Sigma的关系。文章详细介绍了sigma和模糊半径的作用，提供了参数优化策略和性能优化技巧，帮助开发者在UI设计、游戏特效等场景中高效应用高斯模糊。
ElasticSearch - function_score (衰减函数 linear、exp、gauss 具体实例)
阅读本文需要先了解function_score的相关知识，请看 ElasticSearch - function_score 详解 1. 前言 很多变量都可以影响用户对于酒店的选择，像是用户可能希望酒店离市中心近一点，但是如果价格足够便宜，也愿意为了省钱，妥协选择一个更远的住处。如果我们只是使用一个 filter 排除所有市中心方圆 100 米以外的酒店，再用一个filter排除每晚价格超过100元的酒店，这种作法太过强硬，可能有一间房在 500米，但是超级便宜一晚只要10元，用户可能会因此愿意妥协住这.
负指数信号梯形成型 Python 实现：3 参数调优与 20 点噪声抑制对比
本文详细介绍了负指数信号梯形成型在Python中的实现方法，重点探讨了k、l、M三个关键参数的调优规律，并对比了20点噪声抑制策略的效果。通过函数卷积法和离散化实现，展示了梯形成型算法在核脉冲信号处理中的优异性能，包括噪声抑制和幅度提取精度。实验表明，该算法在PSNR和能量分辨率上显著优于传统方法。
高斯函数
高斯函数的形式为的函数。其中 a、b 与 c 为实数常数 ，且a > 0.c2 = 2 的高斯函数是傅立叶变换的特征函数。这就意味着高斯函数的傅立叶变换不仅仅是另一个高斯函数，而且是进行傅立叶变换的函数的标量倍。高斯函数属于初等函数，但它没有初等不定积分。但是仍然可以在整个实数轴上计算它的广义积分（参见高斯积分）：
从“电通量”到“高斯定理”：用Python模拟电场分布，直观理解大学物理电磁学核心
本文通过Python编程实践，从电通量到高斯定理，直观模拟电场分布，帮助理解大学物理电磁学核心概念。利用numpy和matplotlib构建电场计算模型，实现电通量计算和高斯定理验证，并通过可视化展示复杂电荷分布的电场特性，为电磁学学习提供实践工具。
定日镜场光学效率建模：从物理原理到Python实现
在太阳能光热发电系统中，定日镜场的光学效率是衡量其能量收集能力的关键指标。其核心原理基于几何光学与能量传输，通过分解为余弦效率、阴影遮挡效率、大气透射效率和截断效率等子项进行量化建模。这项技术的工程价值在于为镜场布局优化和系统性能评估提供了可计算的基础模型，直接影响电站的发电成本与效率。在实际应用中，如塔式光热电站的设计与数学建模竞赛中，需要将物理公式转化为可编程的数学模型。本文以定日镜场优化设计为例，详细阐述了如何通过向量运算计算太阳位置与反射光路，并利用Python实现包括大气衰减与截断损失在内的完整效
Elasticsearch：在搜索中使用衰减函数（Gauss）
位置搜索的范围在规定范围里可以不进行衰减，超过这个范围就会按照衰减函数进行衰减。想象一下，你需要根据用户位置的接近程度对结果进行排序。完成此任务的方法之一是使用定位和衰减函数。 衰减函数可用于根据比例调整文档的相关性分数。
无啁啾高斯型超短脉冲激光
无啁啾高斯型超短脉冲激光是一种理想化的超短脉冲激光，其时域电场包络和光谱分布均服从高斯函数，且瞬时频率恒定（无啁啾），脉宽达到理论最小值（变换极限）。其核心特性包括极短脉宽（飞秒至阿秒量级）、高峰值功率及精确的时间带宽积（0.441）。数学上通过高斯函数描述时域/频域分布，关键参数包括脉宽、光谱宽度、峰值功率等。应用涵盖超快科学研究（如泵浦-探测光谱）、精密加工（飞秒冷加工）、生物成像（多光子显微镜）及光频梳等领域。文中提供了参数计算示例和Python代码，用于模拟脉冲特性及可视化分析。
基于keras和tensorflow的yolo3物体检测
源代码链接 keras-yolo3-master 可以直接运行，基于tensorflow-1.2.0 +keras 2.1.2
基于 国产USRP B210 的通信+侦测+干扰三合一实验平台，解锁无线攻防全场景！
在当代复杂电磁环境与多样化通信需求并存的背景下，软件定义无线电（SDR）技术正展现出前所未有的系统灵活性与功能可重构性。由两台USRP-LW B210软件无线电设备模拟无线链路通信过程，能够模拟多种无线通信信号传输及图像传输场景，适用于通信协议验证、抗干扰测试及教学实验。，支持"通信-侦测-干扰-优化"的闭环实验流程，为无线通信领域的教学科研与工程应用提供了一套经济高效、功能完备的解决方案。系统可对通信链路信号进行快速、自动化侦测、识别、告警，并支持多种干扰信号生成、模式切换及效果评估功能。
告别裸机SPI！用HAL库和CubeMX重新玩转STM32与MAX6675温度传感器
本文详细介绍了如何利用STM32CubeMX和HAL库高效驱动MAX6675温度传感器，实现稳定可靠的热电偶温度监测系统。通过图形化配置SPI接口和封装专用驱动函数，开发者可以快速构建嵌入式温度测量方案，适用于工业控制、物联网设备等多种应用场景。
用python代码实现实验：应用快速傅里叶变换对信号进行频谱分析
2.下面的代码实现对于正弦信号的频谱分析。4.下面实现对于衰减正弦序列的频谱分析。3.下面代码实现高斯序列的频谱分析。5.下面实现三角序列的频谱分析。6.下面实现三角序列的频谱分析。如有不足，欢迎指正。
【大模型】MHA，MQA，GQA及KV Cache详解
在自回归模型中（Autoregressive Models），模型会逐个生成文本的每个token，这个过程可能比较慢，因为模型一次只能生成一个token，而且每次新的预测都依赖于之前的上下文。这意味着，要预测第1000个token，你需要用到前999个token的信息，这通常涉及到对这些token的表示进行一系列矩阵乘法运算。而要预测第1001个token，你不仅需要前999个token的信息，还要加上第1000个token的信息。
数字图像处理的python实践(13)——频域高通高斯滤波和拉普拉斯滤波
图像的锐化可以通过衰减图像频谱中的低频成分来实现，这建立起了空间域图像锐化和频率域高通滤波之间的对应关系。我们想要实现和上一章中高斯低通滤波相反的效果，即高斯高通滤波，实现的方法和上一章的代码基本一致，就是滤波函数有所不同，形式为 实现的代码如下，图像还是那熟悉的动漫女头，处理后边缘显得很清晰很突出，而除了边缘外其他的区域的颜色都是浅色。当sigma的数值越大，边缘提...
VTK基础教程（1）- vtkPolyData 介绍
目录 VTK的编译与环境搭建 VTK一般渲染流程 VTK数据类型-vtkPolyData 使用vtk自带的多边形数据 使用自己创建的数据 添加顶点颜色 添加面颜色 VTK的编译与环境搭建 这部分目前已经有了大佬做了成熟的傻瓜式配置，大家可以参考这篇文章：VTK+VS2019(或其他版本均可) 傻瓜式一站式 配置_Nancy_fairy的博客-优快云博客_vs2019 vtk VTK一般渲染流程 这部分的介绍也很多，大家可以参考这篇文章：VTK笔记-了解VTK_黑山老妖的博客.
深入剖析STM32F103 I2C总线死锁问题及高效应对策略
本文深入剖析了STM32F103硬件I2C总线在轮询模式下发生死锁的根本原因，即硬件状态机的预取机制与软件响应速度不匹配。文章提供了高效的解决方案，包括在轮询模式下提前发送NACK/STOP信号、降低总线速度，以及治本的中断与DMA应用策略，帮助开发者根据项目需求选择最合适的方案，彻底解决这一经典硬件缺陷问题。
告别高斯模糊！用OpenCV手把手实现NL-means图像去噪（附Python/C++代码对比）
本文详细介绍了如何使用OpenCV实现非局部均值滤波(NL-means)进行图像去噪，对比了Python和C++的代码实现及性能优化。通过分析NL-means算法的核心原理和参数调优技巧，帮助开发者突破传统滤波方法的局限，实现更高效的图像去噪效果。
基于ESP32-WROOM的智能蓝牙电压电流监测与远程控制系统设计
本文介绍了基于ESP32-WROOM的智能蓝牙电压电流监测与远程控制系统设计。该系统集成了INA219传感器和OLED显示屏，通过蓝牙实现无线数据传输和远程控制，适用于智能家居能耗监控和工业设备管理，具有成本低、精度高、功耗优化等优点。
Python实战：用Matplotlib绘制高斯分布与拉普拉斯分布对比图（附完整代码）
本文详细介绍了如何使用Python的Matplotlib库绘制高斯分布与拉普拉斯分布的对比图，并附上完整代码。通过调整参数观察两种分布的形态差异，帮助读者深入理解它们在数据科学和统计建模中的应用。文章还涵盖了环境准备、核心概念、参数解析、高级可视化技巧及实际应用场景分析。
[系统安全] 四十七.恶意软件分析 (3)动态分析经典沙箱Cape的安装和基础用法详解
系统安全将更好地帮助初学者了解病毒逆向分析和系统安全。前文详细介绍恶意代码静态分析经典工具Capa的基础用法，以及批量提取静态特征和ATT&CK技战术，主要是从提取的静态特征Json文件中提取关键特征。这篇文章将详细讲解动态分析沙箱Cape，其是一个开源的自动恶意软件分析系统，通过自动运行和分析恶意软件，全面分析和提取恶意软件的关键特征。本文先介绍Cape沙箱的安装和基础用法，后续随着深入再分享。基础性文章，希望对您有帮助！
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")
拉盖尔高斯光束透射石英基底石墨烯涂层的光强分布特性研究：实验与模拟分析
" 指着代码里的sigma_graphene参数解释："看这个复电导率的实部，每层石墨烯都在偷吃光子能量，三层叠加相当于三个串联的吸光滤镜。"接过论文一看题目——《拉盖尔高斯光束入射石英基底石墨烯涂层的透射光强分布特性研究》，好家伙，这标题要素过多，看来得从基础模型开始盘。运行结果出来那刻，师弟眼睛都亮了——图像中央的暗核清晰可见，外围三个同心光环的强度呈阶梯衰减，和论文里的Fig.5完美吻合。老规矩，先上模型搭建。这里用了个简化的Drude模型，实际论文里可能要上Kubo公式，但复现时先用这个够用了。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
模拟退火算法原理与Python实现详解
模拟退火算法是一种受金属退火过程启发的全局优化方法，通过引入温度参数和概率接受机制，有效解决了传统优化算法易陷入局部最优的问题。其核心在于Metropolis准则，允许算法在高温阶段接受劣质解以扩大搜索范围，随着温度降低逐渐收敛到最优解。这种随机搜索策略特别适合处理非凸优化、多峰函数优化等复杂场景，在神经网络超参数调优、物流路径规划等领域有广泛应用。Python实现时需重点考虑温度调度策略、邻域搜索设计和参数调优等关键因素，通过合理的工程实践可以显著提升算法性能。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
基于python的太阳耀斑模拟
本文介绍了一个基于Python的太阳耀斑模拟程序，采用模块化分层架构设计，包含界面控制、物理模拟、数据可视化和状态管理模块。程序使用高斯扩散模型模拟耀斑能量传播，结合磁场约束、温度扩散和能量衰减等多物理场耦合效应。可视化方面实现了3D动态曲面图、2D热图和等高线图的多视图协同展示，支持参数化交互和实时反馈。该模型能准确模拟白光耀斑的能量传输过程，具有教学和科研价值。程序采用Streamlit框架构建，利用Plotly实现高质量可视化，并通过状态管理保持数据持久性，提供了完整的参数控制、数据分析及历史记录功能
项目实训——大数据租房推荐智能体——地图通勤评分（五）
本次博客开始评分板块的功能实现。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
398
扫一扫
