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
200+累计阅读
252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
去年的目标完成情况不理想，今年的目标希望能努力完成：
1）生活上
A）快乐，勤快的生活每一天；
B）继续当好一个称职的老爸和做一个有担当的孩子他爹；
C）达成标准体重目标；
2）技术上
A） 继续坚持写博客；将技术进行到底；
B） 完成两本大学数学书的算法转换，丰富MyMathLib的内容;
线性代数已近尾声，因为代码调试和工作上的事情，耽误了一些时间，后面会陆续共享出来。本来打算将此做成一个开源项目，但因为优快云老是说我代码提交无权限，耽搁了，等有时间，有心情，我把代码和测试上传上来，谁有爱好，可以一起做。这次把线性代数的算法计算机化还是收获非常大。手写三行必有所悟！
C) 完成模式识别和机器学习两门课程；（这次复习数学的目的也是为此做铺垫)
3）坚持阅读
A）每个月坚持读两本科普或人文方面的书籍；
4） 工作上
A）8+1个小时已经卖给老板，听他安排，做好该做的事情。
西门子S7-1500 PLC模块化编程与生产线自动化实践
PLC（可编程逻辑控制器）作为工业自动化核心设备，其模块化编程技术能显著提升产线控制系统的开发效率。通过SCL高级语言实现算法封装、功能块（FB）复用等工程实践，可构建稳定可靠的分层式控制架构。本文以西门子TIA Portal平台为例，详解S7-1500系列PLC在汽车零部件产线中的标准化应用方案，包含配方管理、设备联动等典型场景的SCL实现，以及Profinet通信、虚拟轴同步等进阶技巧。特别适用于需要快速实施中大型生产线自动化改造的工程师，提供经过验证的异常处理机制和模块化设计规范。
UA2015年第二学期的目标
两门课程得A过core exam整理与规划英语听力与口语phpresearch寻找实习 转载于:https://blog.51cto.com/9770216/1593286
《双剑合璧：双 IMU 驱动的高精度 AHRS 实战宝典（基于 ROS2）》
本文系统阐述了基于双IMU的高精度姿态与航向参考系统(AHRS)设计与实现方法。文章首先分析了传统单IMU系统的局限性，提出通过双IMU冗余配置实现性能互补的方案。从硬件设计要点(包括IMU选型策略、电路降噪方法、PCB布局规范)，到算法实现方案(互补滤波、卡尔曼滤波等融合算法)，再到ROS2软件架构与调优策略，全方位展示了双IMU系统的技术实现路径。特别强调快速性与高精度平衡的方法，包括动态参数调整、双IMU权重优化等核心技巧。最后总结了硬件降噪、算法调优等实用心法。
2014年总结和2015年的规划
觉得2013年的总结刚刚写完，怎么一下子就跳到2015年了，岁月匆匆，恍如流沙不等人，该对过去的一年做一些总结了。 2013年的总结这篇文章中，规划过今年一年的计划，完成进度如下 上半年将论文搞定，争取在六月初顺利毕业 学习一门新的语言 学会游泳 参与到某一个小型开源项目的开发 在公司好好表现自己，争取得到领导的赏识 每个季度写一篇季度总结，包含季度总结以及下一阶段的规划 看一些名
labview汽车电子通用测试程序架构，CAN通讯上位机
结合做过的汽车电子测试项目，车身控制器测试，CAN网络模块测试，电机控制器功能测试，汽车仪表盘视觉及功能测试、电气盒功能测试、EOL下线检测、车用空调控制器功能测试等项目，结合实际项目，整理编写的一个汽车电子，通用测试架构，包含项目的讲解等。6、数据保存 、数据处理、 曲线显示 、报警处理等。7、CAN总线故障信息监控及记录保存。2、参数设置（CAN端口及参数）5、CAN通讯+数据解析。
【Charge】仿真目录
Author: JiJi\textrm{Author: JiJi}Author: JiJi Created Time: 2026.01.20\textrm{Created Time: 2026.01.20}Created Time: 2026.01.20 Modified Time: 2026.01.20\textrm{Modified Time: 2026.01.20}Modified Time: 2026.01.20工作流程材料模型[Charge] 电荷分布与折射率变化理论 [Charge] FDTD
2015年目标
2015年目标，上架一套系列型的app。 转载于:https://www.cnblogs.com/so-magic/p/4638158.html
【Ubuntu】RK3576 Linux 6.10 Ubuntu 22.04 系统中 HUSB311 Type-C 转 DP 显示输出与 Device/OTG 模式切换配置详解
本文详细介绍了在Rockchip RK3576开发板（Linux Kernel 6.10+Ubuntu 22.04）上配置HUSB311 Type-C控制器的设备树实现方案。主要内容包括：1）硬件连接与模块组成；2）设备树完整配置，涵盖Type-C供电、USB OTG/Host模式、DP显示输出等关键功能；3）软件配置步骤与常见问题排查方法。该方案实现了Type-C接口的DisplayPort AltMode显示输出、USB Device/Host模式自动切换等功能，为嵌入式系统Type-C接口开发提供参考
2015年计划
每一年都应该为自己的每一年做一个计划，这样就给自己的这一年设定了目标。虽然在2014年初时为自己定下了减肥的计划，但是不近人意，自己的意志力太差。不知具体从什么时候开始感觉时间真的是飞快，时光如此匆匆流逝，如果每年都没有什么收获，感觉以后老了真的没有什么可以回忆的。值得欣慰的一点是，2014年自己工作上还有一点收获。不单是技术上，自己的想法也成熟了一些。2015年，具体要做哪些呢？我首先是想到了以
基于STM32、HAL库的ICP-20100气压传感器 驱动程序设计
它具有低功耗、高精度、快速响应等特点，非常适合物联网、可穿戴设备和无人机等应用。#define ICP20100_FIFO_CTRL 0x09 // FIFO控制寄存器。#define ICP20100_FIFO_DATA 0x0A // FIFO数据寄存器。#define ICP20100_FIFO_STS 0x0B // FIFO状态寄存器。#define ICP20100_FIFO_WTM 0x15 // FIFO水印设置。
机器学习实战1-四种算法对比对客户信用卡还款情况进行预测与模型评估
大家好，我是微学AI，今天给大家带来一个机器学习实战案例：利用机器学习的四种算法对比对客户信用卡还款情况进行分类。信用卡又叫贷记卡，是由商业银行或信用卡公司对信用合格的消费者发行的信用证明。现在的年轻人，特别是80后，90后甚至00后到喜欢超前消费，每个人名下多多少少都有至少一张信用卡，有些人由于过度超前消费，导致下个月无法还款导致的逾期，这样会对个人征信产生影响，今天我们就来分析分析具有哪些特性的人会有信用卡逾期的可能。
写在2015年第一天
想一想2014年也是我变化比较大的一年，我从学校毕业，真正的踏入社会。 2014年有那么多的第一次，第一次找房子，从第一份工作中辞职，第一次出差，第一次帮助别人然后被骗等等，虽说有各种不如意的地方，但还是这样过来了。第一次找房子发现找到合适的房子是那么难，找到合适的合租者也是那么难，第一份的工作总是那么不如意，但是第一次辞职还是很方便的，再找工作的时候发现离自己的目标还很远，第一次出差
微信小程序 - 详细解决map地图上使用自定义图标图片或自定义样式进行markers标记点，手机真机运行时安卓系统、苹果ios系统会出现不显示标记点的问题（大概率安卓正常显示标记点，但苹果就加载失败）
微信小程序，map，地图组件，安卓android，苹果ios，真机调试，marker，标记点，在地图上标记，突然就不显示白屏了没动代码，自定义标记点icon，label动态数字，小程序地图markers标记点显示不出来，微信小程序map组件，地图加载后marker标记点ios设备不显示，android正常显示，添加多个标记点。安卓能正常显示标记点图标，IOS设备不显示标记点图标，map地图白屏不显示标记，图标真机调试不显示，自定义图标，报错，页面白屏，不报错也不显示，无法加载，图片展示不出来，iconPat
2015年总结，2016年规划
2015年进入尾声...心绪却不知从何整理.打开那被遗弃半年以上的计划(还是在U盘中找出)惭愧不已!但是, 我还是要总结啊!在思考中前行,既然已成事实,接受改正吧! 2015年目标总结: 2015年能拿的出手的就是身体跟收入了!学习和思考以惨败告终!工作中规中矩. 【锻炼】: 最满意!!6块腹肌正朝着有利方向前进,如今是隐隐可见! 【生活】: 还好! 【学习】: ...
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
2015年总结2016展望
2015感觉过的很快，非常充实。一直在忙着不是写这就是写那。反正是没有闲过。 家庭更和睦，孩子也大了一岁，活泼可爱，父母身体也还可以，经济增长和2014差不多。 15年最大的事就是项目T算是成功运转了，14年废了很多项目总算是有一个能运转。 D这个项目任重而道远，到目前为止我依然认为这个项目是比较好的一个，技术含量比较高。 关于技术： 技术方面，学习了点...
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
2015年小结
技术书 《c++primer》 《挑战程序设计竞赛》看了一部分 《剑指offer》准备面试的时候大概看了一遍 这一年看了挺多闲书，大概是无人陪伴时就靠看点小说度过吧，想了一下，把自己的大概感受记一下好了，省的那天什么都记不起来。 《明朝那些事儿》 《追风筝的人》 这本书我本科的时候在小五的桌上翻过几页，当时对它并不感冒，也早就忘了讲的什么内容。再次看这本书大概是因为蔡大妈在
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")
2013年我国能源消费总量为375000万吨标准煤，比2010年增加50061万吨标准煤。（中级统计师习题解析）
2013年我国能源消费总量为375000万吨标准煤，比2010年增加50061万吨标准煤。2011年、2012年和2013年我国GDP实际增长率分别为9.3%、7.7%和7.7%。请问要完成 “十二五”规划规定的万元GDP能耗目标（2015年比2010年下降16%），2014年和2015年的万元GDP能耗需要各平均下降（）%
2014年总结，展望2015！
其实今天已经11号了，自己本来也没有写总结的习惯。但是在看博客的时候看到很多大神都在做总结，想必自己也有必要总结一番。 一来总结自己2014年的进步和不足，二来确定自己2015年的努力方向和需要达到的目标吧。 2013年就不提了，实习了三个月的C#之后就一直在找工作和游戏中度过。那时候一直想着找android方面的工作，实习的也行。但是那时候自己又已经毕业， 不能以实习生的身份进入公司了。当
2015年学习计划
2014年匆匆地走过，从本科毕业到研究生生活，变化还是蛮大的，上学期时间基本都用来应对考试了，时间过得太快，在这里列出2015年计划，为自己的未来添砖加瓦。
2015年自我总结与否定之再总结
技术部—毛德强 Android开发一、 总结总结2015，第一件要做的事，就是检讨自己在2015年年度内，并没有进行一次该有的总结。以后，在每一年的元旦前夕，都需要有一次年度性的总结，总结自己在这一年内收获了什么，失去了什么，做对了什么，做错了什么。好在，2016的春节期间来总结2015也不算是太晚，并且我自己也觉得，上一年过得还算充实，也算小有收获。 此处忽略成果，直接总结方法，以便自我否
总结2014，展望2015
时间真快啊，一晃2014就过去了，迎来了2015。 这是我开通博客以来的第一个年终总结，在这样一个公共场合写总结，说实话，我还不太适应。而且，自我感觉文笔不太好，怕献丑了。不过，我相信，只要我坚持写，能力、思维、文笔都会得到锻炼，都会慢慢提升，所以，加油，向那些大牛看齐。
2015年末
2015年的最后一天，在2015年里：走了很多路，带着微笑继续出发 2016：期待大学毕业！ 转载于:https://www.cnblogs.com/QingFlye/p/5091452.html
再见2014，你好2015
一年过得真快，转眼间2014就要接近尾声了，平时倒没什么感觉，等到总结这一年的时候才发现“哈，2014就这么过去了，我在这一年里究竟都做了些什么”。其实回想这一年，发现自己做得真的不够，对自己有些松散，有很多的事情都没有做，再去后悔也没什么用，只希望自己能在2015年做的更好。 其实年终总结也是在入驻了博客园才开始的，这之前还从来没有做过总结呢，下面的两个分别是2012年末和2013年末...
写给新的一年（2015）
岁末年初，总该讲几句吉利话：但愿在新的一年里，我们能远离一切糟糕的事，大家都能做个幸福的人--我也实在想不出有什么话比这句话更吉利。
2015年上半年成长总结
2015年上边年总的来说过的很充实，计算机与英语都在如火如荼的进行着。 Java 上半年差不多半年的时间，计算机方面主要是在学习Java的内容，学习了DRP、SSH、OA、EJB、Spring MVC、EJB、Maven等技术知识，接触学习java项目中的轻量级架构struts+spring+hibernate,也接触了JAVA中的经典架构springmvc
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
457
扫一扫
