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
300+累计阅读
368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
前期准备
创建好项目后根据展示类型进行运行
在此文件中进行配置修改
1、生成证书
https://ask.dcloud.net.cn/article/35777
生成后找到 ****.keystore 的文件，在证书文件中选择
确定打包即可。
注意：
小程序审核发布时，有其他支付方式的，要先把其他方式支付的页面先从项目移除出去，在进行打包，发布，提交审核。
磁悬浮轴承控制策略设计及性能对比
摘要：针对高速磁悬浮转子控制问题，本文提出多方案对比分析。建立含陀螺效应的5自由度动力学模型，分析陀螺耦合、质量不平衡等关键挑战。对比四种控制策略：基础PID解耦、交叉反馈+自适应陷波、H∞鲁棒+前馈补偿、滑模控制+观测器，从实时性、鲁棒性等维度评估优劣。推荐采用交叉反馈+H∞+自适应陷波的混合方案，通过内环电流环与外环位置环协同，实现陀螺效应动态解耦和扰动抑制。实施步骤包括系统辨识、控制器设计、硬件部署等，需配合实验验证与参数整定。该方案综合性能最优，适用于高转速、强扰动场景。
uni-app项目中主要文件的加载顺序
uni-app项目中主要文件的加载顺序 1.先后顺序 index.html > App.vue的export外的js代码 > main.js > App.vue的export里面的js代码 > Index.vue的export外的js代码 2.测试的页面代码块 2.1 App.vue <script> console.log('App.vue的export外的js代码') export default { onLaunch: function() { c
立创·庐山派-K230-CanMV（嘉楠勘智）开发板通过ATK-ESP8266实现图像识别数据无线传输至原子云
本文详细介绍了如何使用立创·庐山派-K230-CanMV开发板，通过ATK-ESP8266 WIFI模块实现图像识别数据的无线传输至原子云平台。内容包括硬件连接、软件环境搭建、AT指令控制、原子云连接及数据上传的全过程，并提供了实用的调试技巧和常见问题解决方案，为物联网应用开发提供了完整实践指南。
跨平台应用开发进阶(一) ：走近 uni-app
文章目录一、前言二、项目结构main.js三、文件加载顺序四、生命周期五、Tips六、拓展阅读 一、前言 跨平台是一种能够在多种平台（例如Android，iOS，Windows，Blackberry、小程序、快应用等）上运行的应用软件。基于此框架构建的应用程序不需要为每个平台进行单独的编码，而是一次编码就可以在多个平台上高效运行。它是当今应用程序开发领域中最受欢迎的方法之一。 二、项目结构 一个uni-app工程，默认包含如下目录及文件： main.js main.js是uni-app的入口文件，主要
A-Level经济例题解析及练习Opportunity Cost
例题Question: Opportunity CostYou are selling your 1996 Mustang. You have already spent $1000 on repairs. At the last minute, the transmission dies. You can pay $600 to have it repaired, or sell the car “as is.”In each of the fol
OpenDRIVE车道计算避坑指南：为什么你的poly3曲线总对不齐？
本文深入解析OpenDRIVE标准中车道几何计算的三大核心难题：参数化三次多项式（ParamPoly3）的坐标系转换与参数映射、车道偏移与宽度的优先级判定，以及螺旋线（Spiral）接续的平滑性保障。通过实战案例与代码示例，提供了一套避免车道线错位与曲率不连续的精确计算与验证方法，是高精地图开发与仿真场景构建的实用避坑指南。
uni-app如何顺序执行,执行同步请求
uni-app执行同步请求的方法：首先打开Hbuilder新建一个【uni-app】的默认模板；4、然后我们用async搭配await，接着在调用方法中返回Promise，如下图所示。6、另外当调用的级数增加的时候，需要逐级的增加async和await，如下图所示。7、最后执行以后可以看到request请求完，下面的两个操作才继续，如下图所示。3、运行后可以看到request还没执行完就执行了下面的语句，如下图所示。5、执行以后就看到request变成同步请求了，如下图所示。
Claude Code Router 401错误修复
claude code router配置相关环境变量问题
uni-app 生命周期函数执行顺序
<template> <view ref="ref" class="test-container"> <text>{{message}}</text> <button @click="addMsg">点击</button> </view> </template> <script> import { mapState,
喷涂机器人系列编程：ABB IRB 5500_（9）.常见故障诊断与排除
ABB IRB 5500 喷涂机器人在实际应用中可能会遇到各种故障，但通过系统的诊断和排除方法，可以确保生产线的连续运行。定期维护和保养是预防故障的重要手段，而操作培训和规范则能有效减少人为因素引起的故障。希望本节内容能帮助操作和维护人员提高故障诊断和排除的效率，确保喷涂机器人的稳定运行。如果您有任何疑问或需要进一步的帮助，请联系 ABB 客户服务中心。
【Unity 实用工具篇】| Unity中 实现背景模糊效果，简单易用
背景模糊 是一个很实用的功能，它可以帮助游戏在视觉上有更好的专注力和表现力。 实现模糊的种类和方式有很多种，大家自行选择适合自己的就可以了。 下面一起来看下本文实现背景模糊的效果和使用方式吧！
uni-app开发常用操作速查记录
uni-app开发常用操作速查记录
COMSOL介电弹性体数值仿真指南：预拉伸圆形DEA的稳态变形分析（II）
本期博客是《COMSOL介电弹性体数值仿真指南》系列博客中的一期。聚焦于介电弹性体驱动器（DEA）中最为经典的预拉伸圆形DEA驱动器构型，对其在COMSOL平台中的具体建模步骤进行介绍与讨论。
Uni-app开发笔记 记录开发各种报错 datetime forms 状态机 Storage nav-bar
首先介绍一下博主水平：规划路线Java后端开发，因为参加比赛缺乏前端人员，于是学习前端知识本人的前端三剑客知识非常垃圾，仅限于看懂，做此日记 记录前端Uni-app学习。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
php做app百度经验,fastadmin+uni-app开发记录
许久不写代码，发现很多基础都已经忘得差不多了，感觉复习一下。写不出文档，就先把技术给练一下吧。由于我没有系统地学习过php，所以很多都是网上找的零碎的知识，可能会有错，还望指正！fastadmin采用的是MVC模式，所以要写控制器。而我没有搞清楚路径中的含义，导致报错。http://192.168.1.175/HealthManager/public/index.php/mobile/test/t...
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
uni-App 开发记录
文章目录uni-App一、创建uni-App二、使用步骤1.项目文档结构2.项目文档结构2.组件总结 uni-App 开发准备工作 ： 官方文档： https://uniapp.dcloud.io/collocation/pages 开发工具 下载 HBuilder X 编辑器（官方推荐） 一、创建uni-App 新建 项目 选择创建项目 进入项目配置 这里根据自身需求选择即可 二、使用步骤 1.项目文档结构 2.项目文档结构 单个文件结构 <template> // htm
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")
uni-app小程序云开发函数——记录
uniapp云开发1. 初始化2. 实例操作3. 增加记录4. 获取记录5. 更新（修改数据）6. 删除创建云函数 因为最近要有小程序项目所以接触下小程序，没想到小程序能够云开发，可以自己写端口数据并且能够本地调试达到一个人负责前后端，好处多多呀。具体看官方文档就可以大概了解到云开发的好处，本文只提及云开发函数的使用和demo，像申请小程序APPID申请云开发这些都可以根据官方文档完成微信官网文档...
uni-app开发小程序中遇到的一些问题及一些方法的记录
1. 蒙层穿透事件 在做弹出框的时候，要让用户不能滑动底层页面 在蒙版的最上一层view标签上写 <view class="mask-box" v-if="!successFlag" @touchmove.stop.prevent="doNothing" > 在methods中写: doNothing(){ return } 这里记一下我的小错误，我一直以为这个方法不成功，因为在开...
记录一下uni-app开发中遇到的坑
一、uni-app中不能操作dom uni-app开发中不能操作dom，就是一切的按照vue那种方式进行数据绑定，要不然在网页端看着是好好的，但是一旦打包放到真机上就是各种问题。所以只要熟悉vue并且有实际开发经验的人来说，对于uniapp上手还是很快的 二、关于手机端适配 uni-app中有个单位叫upx ， 可以使用这个进行手机端的适配，这个单位会根据屏幕的宽度自动计算出实际需要的px然后转换出来 三、打包到微信小程序 打包到微信小程序中背景图片不能使用本地路径，要不然会不显示，会报错，应该使用base
uni-app开发微信小程序—蓝牙功能开发（从授权到服务）完整记录
uni-app开发微信小程序记录： 前阵子在开发项目的过程中，需要用到蓝牙的相关服务，今天就整理一下小程序的蓝牙使用过程
记录uni-app开发
uni-app 开发踩坑记录
无需Mac：在Windows电脑完成uni-app开发并发布iOS应用全记录
签名成功后，找到签名后的ipa文件，并命名为iPhone_base_signed.ipa，然后将其拷贝到HBuilderX安装目录\plugins\uniappx-launcher\base，寻找并开启“开发者模式”：在“隐私与安全性”界面中，继续向下滑动至底部，点击“开发者模式”选项，并开启其对应的开关。简单写点任务代码，然后本地存储数据的，用来测试这个APP的可用性，然后测试是否支持离开数据线的存储数据啥的。断开线后，我又重新试了一下，完全是可以使用APP的，虽然不能上架APP，但自己用，完全足够了。
uni-app开发小程序,笔记记录3 分类开发
1 scroll-view 必须设置 height 属性。3 class 动态添加类样式 [ ] + ‘’5 选中与未选中效果。
uni-app云开发小程序遇到的问题记录
uni-app云开发小程序遇到的问题记录 1、加载图片资源 将图片上传到云存储，然后用http地址 <img src="https://7969-yingda-online-8gd2v7ob368340c5-1305805055.tcb.qcloud.la/agree.jpeg?sign=da21580e1ddebf212fb923240979591c&t=1648713391" /> ...
记录uni-app开发手机应用中遇到的问题与解决方案
在uni-app开发过程中，开发者可能会遇到多种问题，这些问题可能涉及框架特性、平台兼容性、性能优化等方面。记录我在开发过程中遇到的问题和解决方案。
uni-app开发记录一
1、swiper轮播图圆角滑动会先直角再圆角的解决方法 通过层级关系 z-index: 解决 2、uni-app开发 中 text 标签嵌套image标签问题 text标签嵌套image，浏览器上图片正常，手机上是不能正在显示的。 3、设置背景颜色渐变，高度自适应，最小高度全屏解决方案 min-height: 100vh; display: flex; flex-direction: col...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1773
扫一扫
