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
1.1k累计阅读
1.1k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
Working Diary
YOLO26算法心电图十二导联目标检测+训练好的模型+368张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[导联I(I), 导联II(II), 导联III(III), 胸导联V1(V1), 胸导联V2(V2), 胸导联V3(V3), 胸导联V4(V4), 胸导联V5(V5), 胸导联V6(V6), 加压肢体导联aVF(aVF), 加压肢体导联aVL(aVL), 加压肢体导联aVR(aVR)] · 训练集：313 张 · 验证集：37 张 · 测试集：18 张 · 总计：368 张 该数据集聚焦于临床心电图信号的精准识别与定位，其核心检测目标为标准12导联心电图中的各个独立导联波形区域，涵盖肢体导联（I、II、III）与加压肢体导联（aVR、aVL、aVF），以及胸前导联（V1至V6），适用于心电图自动分析系统中对各导联位置的快速准确标注与分类。数据采集场景真实还原了医院心电图室或急诊监护环境下的标准心电图记录纸，波形清晰、基线稳定，具有高度临床参考价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 57 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9708** mAP50-95 | 0.6344 Precision | 0.8990 Recall | 0.9191 train/box_loss | 1.2231 train/cls_loss | 0.9703 val/box_loss | 1.2779 val/cls_loss | 0.... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
1博士考试题
1. 2.根据邻接矩阵，画出带权无向图 3.5个数，7次能否排好。 4.求一算法求图的连通分量，并证明正确。
企业级AI助手平台 开箱即用的全栈AI平台，支持多智能体协同、Supervisor模式编排、多种决策模式、RAG技术和流程编排能力 支持多厂商大模型统一接入与管理，安全可控的企业知识库与高精度检索优化
企业级AI应用开发框架，支持多厂商大模型统一接入与管理，安全可控的企业知识库与高精度检索优化能力，提供可视化流程编排、自主决策智能体与多智能体协同调度，兼容主流 Agent Skill 协议，帮助企业与开发者零门槛快速构建安全、高效、可落地的AI智能体应用与行业解决方案。
Verkle树与SNARKs在区块链状态验证中的对比研究
区块链状态验证是确保数据完整性的关键技术，其核心原理是通过密码学承诺构建可验证数据结构。传统Merkle树虽然能提供数据存在性证明，但随着状态增长面临见证膨胀和存储压力等问题。Verkle树采用向量承诺技术，通过多项式承诺替代简单哈希，实现见证大小从MB级到KB级的突破；而SNARKs方案则通过零知识证明压缩验证信息，但面临证明生成耗时的工程挑战。这两种技术在以太坊等智能合约平台的无状态客户端设计中具有重要应用价值，其中Verkle树凭借更优的综合性能成为当前工程实践的首选方案。
Java低代码, 轻量级, 支持国产化 国密 AI大模型MCP服务 商业免费 包括核心模块如：组织机构、角色用户、权限授权、数据权限、内容管理、工作流、Spring Cloud 微服务、AI大模型等
Java低代码, 轻量级, 支持国产化 国密 AI大模型MCP服务 商业免费 Spring Boot, MyBatis, Flowable, TypeScript, Vue, Antdv, 包括核心模块如：组织机构、角色用户、权限授权、数据权限、内容管理、工作流、Spring Cloud 微服务、AI大模型、代码生成器等
文创媒体电商行业智算中心（AIDC）建设规划方案.pptx
文创媒体电商行业智算中心（AIDC）建设规划方案.pptx
博士考试复习过程总结
博士考试结束了，三个月的努力没有失望，总算过线了，又要为新目标奋斗了。开始新的先总结一下旧的，这三个多月的学习，不仅得到一个令自己满意的成绩，还有了点收获，总结如下：1. 充足的时间。一次博士考试的复习准备时间3~6个月，每天学习2~8小时；每周学习20~50小时；学习时间总计在800~1000小时。我的时间是不够的，所以最后的成绩也反映了我复习中存在不足。2. 详细的计划。一般博士考试...
基于动态窗口法DWA的机器人路径规划研究（Matlab代码实现）
内容概要：本文系统研究了基于动态窗口法（DWA）的机器人局部路径规划算法，深入剖析其在动态环境中实现自主避障与实时轨迹优化的核心机制。文章详细阐述了DWA算法的速度空间采样策略、轨迹预测模型、动力学约束处理及多目标代价函数的设计原理，并通过构建完整的Matlab仿真框架验证算法有效性。结合典型场景的仿真实验，展示了机器人在复杂障碍物环境下如何实时生成安全、平滑且符合运动学约束的最优路径，充分体现了DWA在移动机器人导航中的实用性与鲁棒性。; 适合人群：具备机器人运动规划基础知识和Matlab编程能力，从事智能移动机器人、自动驾驶或服务机器人研发的研究生、科研人员及工程技术人员。; 使用场景及目标：①深入理解DWA算法的理论基础与实现细节；②掌握机器人局部路径规划的仿真实现方法；③为实际机器人系统的导航模块开发提供可复用的算法原型与代码参考；④作为进一步研究高级导航算法（如TEB、MPC）的技术基础。; 阅读建议：建议结合提供的Matlab代码逐模块分析与调试，重点关注速度采样、轨迹积分、障碍物距离计算及代价评估等关键环节，通过调整参数在不同地图环境中进行对比实验，以深刻把握算法性能与参数之间的关系，进而提升对实时路径规划系统设计的理解与应用能力。
数字图像处理复习
单门限灰度图象分割方法适合于什么样的图像？为什么？如何确定合适的门限制？适合的图像：(1) 图像分为目标物和背景(2) 同一分割区域内有灰度值相近的像素点组成(3) 目标物和背景、不同目标物之间的灰度值有明显差异利用取阀值方法来分割灰度图象是基于一定图像模型的。最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，在目标和背景内部的相邻像素间的灰度值是高度相关的，但在目标
【轴承故障诊断】用于轴承故障诊断的集中时频分析研究（Matlab代码实现）
内容概要：本文系统研究了用于轴承故障诊断的集中时频分析技术，重点解决了传统时频分析方法在处理非平稳信号时存在的能量分散与分辨率不足等问题。通过引入集中时频分析方法，能够有效聚焦信号能量，精确提取轴承故障特征频率，提升故障识别的准确性与时效性。文章详细阐述了该方法的理论基础，并结合仿真信号与实际实验数据验证其优越性能，同时提供了完整的Matlab代码实现流程，涵盖信号预处理、时频变换、参数优化及结果可视化等环节，便于读者复现与拓展应用。; 适合人群：具备一定信号处理理论基础和Matlab编程能力的研究生、科研人员，以及从事机械设备状态监测、故障诊断与预测性维护工作的工程技术人员。; 使用场景及目标：①应用于电机、风机、齿轮箱等旋转机械的早期轴承故障检测，实现故障预警；②提升工业设备运维系统的智能化水平，支撑预测性维护体系构建；③作为高校或研究机构在信号处理、机械故障诊断等课程中的教学案例与实践素材。; 阅读建议：建议读者结合文中提供的Matlab代码逐段运行与调试，深入理解集中时频分布的生成机制及其关键参数（如核函数选择、平滑窗口大小）对诊断效果的影响，并尝试将其应用于其他类型的机械故障信号分析中，开展对比研究以深化对该方法适用性的认识。
VisualStudio2022配置CGAL
vs2022和vs2017安装配置boost没什么区别，只需要注意boost的msvc得是14.3的，这玩意跟visualstudio版本挂钩的。压缩包解压，得到下面这两文件，然后把auxiliary这个文件挪到CGAL-5.6里面就行了。我用cgal读取一个stl模型，并输出相关信息（想可视化的话需要安装Qt，不想装Qt也可以装VTK）然后下载下面这两个压缩包。照着下面的截图填就完事了。
离散数学复习
小孩吃枣 树和生成树的证明题 正规子群和群的一道证明题
微信小程序利用Echarts加载中国地图的步骤
微信小程序如何利用Echarts加载地图？可按照如下四个步骤进行。（阅读时间大概3分钟）。
20050930Dynamic Library for OpenH323
Because it is too annoying to link our Virtual Space with the original Openh323 and Pwlib libraries, the best way to simplify the components is to encapsulate them into an exclusive library. Then
WPS专业版自带字体
WPS专业版其中一个好处就是自带了部分有版权的字体，就算你安装了没买授权，他也会给你在系统里面安装上这些字体，至于没授权继续用合不合规我不知道。但是带来的实实在在的好处就是有些子他支持的全啊。 /usr/share/fonts/wps-office/FZWBK.TTF: 方正魏碑_GBK,FZWeiBei\-S03:style=Regular /usr/share/fonts/wps-office/FZFSK.TTF: 方正仿宋_GBK,FZFangSong\-Z02:style=Regular /us
新鲜出炉，ECCV2024.9.25 首次提出基于 YOLO 目标检测的无源域自适应
本文提出了首次使用YOLO系列单发探测器的SFDA方法。本文方法采用了一个带有学习的、目标领域特定的增强和一种新的通信机制的师生框架来稳定训练，减少了对模型选择中带注释的目标数据的依赖，这对现实世界的应用至关重要。SF-YOLO 优于所有基于Faster R-CNN的SFDA方法，甚至一些使用源数据的基于UDA yolo的方法。
050925Learned the Latex
Today was Sunday. I came to laboratory to try to relax. But when i went to Wang Yins homepage, I was immediately attracted by Latex. It is said that Latex is the best paper editor for researchers, an
读懂 SAP Fiori Administration Catalogs：从管理员入口、权限编排到 Spaces 和 Pages 的落地实践
SAP Fiori 管理员目录的核心价值在于为系统配置提供标准化入口，解决权限与展示分离的问题。随着 SAP_UI 7.55 版本更新，SAP_FLP_ADMIN 角色整合了关键管理工具（如 Launchpad Designer、Content Manager），并通过 Business Catalog 和 Space 的协同作用，确保管理员既能访问配置工具，又能直观查看相关功能入口。项目实施中需注意配置层级（系统级/客户端级）的选择，以及多人协作时的数据同步问题，以提升交付效率。
20050923Working Diary-- user defined message in Openh323
am: Found the method in openh323 to send user defined messages, such like the conference member list, member names......: H323Connection::SendUserInputIndication -- send user defined messageH
携程滑块、点选验证码登录识别逆向
本文分析了携程登录系统的风控机制，主要包含三种验证场景：无验证码、滑块验证码和二次图标点选验证码。通过跟踪risk_inspect风控接口，发现验证流程采用标准AES加密，需提交设备指纹等加密信息。当触发验证码时，需额外提交包含轨迹坐标的verify_msg参数及token/rid参数。最终通过风控检测后，需使用一致的指纹参数和验证token完成加密登录。文章强调所有分析仅用于学习，代码实现需确保符合法律规范。
BurpSuite工具HaE插件好用正则收集
数据集合面板里面直接查询捕获到的相关数据内容，省去一个个翻找数据包内容的烦恼。插件捕获到匹配正则表达式的数据包后，可以在。可以对正则条目进行添加、编辑、删除。规则信息管理，我们点击。
20050924Seperating the video
Getting up at 9:30, i felt weakness the whole people. Thus i went to laboratory.Today the task is seperating the video coming from h323 Mcu. Since the video coming from Mcu is one road integrated from
优秀的 Verilog/FPGA开源项目介绍（二十七）- 小型CPU
介绍在FPGA上实现一个CPU是一个令人兴奋的事情，但是太复杂的CPU实现起来太难，而且不适合去了解计算机的架构，所以今天介绍一些小型的CPU，比如8051、MIPS、MSP430等~关于RISC-V的项目，请查看《优秀的 Verilog/FPGA开源项目介绍（二）-RISC-V》ZipCPUhttp://zipcpu.com/about/zipcpu.html项目介绍Z...
20050922Create Multi-filters
Finally I completed writting Doctor Application Blank. Hope that I will successfully get advice note of Doctor. What is left is that the Virtual Meeting hasnt been completed. It is complex tha
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")
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1183
扫一扫
