- 博客(83)
- 收藏
- 关注
RSS订阅原创 专利说明书段落编号生成工具 - 说明文档
该工具是一款基于 HTML+CSS+JavaScript 开发的纯前端网页工具，专为专利撰写场景设计，可自动为专利说明书文本段落添加标准化编号（如[0001][0002]），适配银河麒麟 V10 等国产操作系统，无需后端服务，本地打开即可使用。
2025-12-12 09:54:02
629
原创 交互式二胡弹奏网页
头部（head）：引入Tailwind CSS、Font Awesome，配置Tailwind自定义主题（颜色、字体、动画），定义工具类（@layer utilities）与自定义样式（滚动条、鼠标、模态框等）；- 全局变量：存储音频上下文（audioContext）、合成器（erhuSynth）、演奏状态（isPlaying、currentNote）、参数配置（volume、bowPressure）等核心数据；再次点击停止录音，自动弹出“录音回放模态框”。
2025-10-26 09:09:25
915
原创 百度地图收藏地址提取与格式转换工具 说明文档
将百度地图提取的地址数据，转换为适配高德地图的格式，预留经纬度（lat/lng）扩展位（用于后续对接高德 API）。
2025-10-06 13:45:25
1201
原创 实时双目视觉系统说明文档
该代码实现了一个基于双目视觉和 YOLO 目标检测的实时测距系统。系统能够使用两个相机采集的图像对，通过立体匹配计算目标的三维距离，可应用于机器人导航、自动驾驶辅助等场景。
2025-09-01 15:45:09
969
原创 智能助手集成工具（MCPTool & SmartAgent）
本文档介绍一款集成多 API 的智能助手工具，可实现天气查询、新闻获取、数学计算、文本翻译等功能，并通过大模型生成自然语言回答。工具通过模块化设计封装 API 调用逻辑，支持用户通过自然语言交互使用各项功能。
2025-08-05 10:38:36
683
原创 基于深度强化学习（Deep Q-Network, DQN）的运输路径优化系统
这是一个基于深度强化学习（Deep Q-Network, DQN）的运输路径优化系统。
2025-06-11 11:06:58
483
原创 运输路径优化的强化学习环境和 Q 学习智能体
python运行"""运输路径优化环境"""创建自定义 Gym 环境指定环境支持的渲染模式为 'human'（人类可查看）自定义 Gym 环境，模拟带有障碍物和拥堵区域的网格世界Q 学习智能体，通过离散化状态空间来处理连续状态训练和评估函数，用于训练智能体并评估其性能可视化功能，展示环境状态和训练过程系统的核心是 Q 学习算法，通过不断尝试和学习，智能体逐渐找到从起点到终点的最优路径，同时避开障碍物和拥堵区域。import gym# 添加中文字体配置。
2025-06-10 11:17:37
574
原创 混合整数规划（MIP）求解运输优化问题
python运行python运行python运行python运行python运行python运行这段代码实现了一个运输优化问题的对比分析：
2025-05-26 08:14:55
578
原创 基于OpenCV 的人体姿态估计
python运行(0, 1), (0, 4), (1, 2), (2, 3), (4, 5), (5, 6), (6, 7), # 头部(0, 11), (0, 12), (11, 12), # 躯干(11, 13), (13, 15), (15, 17), (17, 19), (19, 21), # 左臂(12, 14), (14, 16), (16, 18), (18, 20), (20, 22), # 右臂(11, 23), (12, 24), (23, 24), # 骨盆。
2025-05-25 21:05:55
846
原创 使用python进行船舶轨迹跟踪
该系统基于 YOLOv8 深度学习模型和计算机视觉技术，实现对视频或摄像头画面中的船舶进行实时检测、跟踪，并计算船舶航向。支持透视变换校准（鸟瞰图显示）、多目标跟踪、轨迹存储及视频录制功能，适用于港口监控、航道管理、船舶行为分析等场景。python运行三、类定义：3.1 构造函数 功能初始化船舶跟踪器，配置视频源、输出参数、YOLOv8 模型及跟踪参数。python运行五、使用说明5.1 环境配置 安装依赖库： bash 下载 YOLOv8 模型（如），并指定正确
2025-05-17 17:33:48
1091
原创 使用python进行人员轨迹跟踪
该系统基于计算机视觉技术，实现对视频或摄像头画面中的人员进行检测、跟踪，并生成轨迹数据。支持透视变换校准（鸟瞰图显示）、多目标跟踪、轨迹存储及视频录制功能，适用于安防监控、行为分析等场景。python运行三、类定义：3.1 构造函数 功能初始化人员跟踪器，配置视频源、输出参数、背景减除器及跟踪参数。python运行五、使用说明5.1 环境配置 安装依赖库： bash 确保摄像头或视频文件可用。5.2 透视校准操作 运行程序后，会弹出窗口提示选择 4 个
2025-05-17 17:10:09
915
原创 基于深度学习进行运输系统优化
from torch.utils.data import Dataset, DataLoader # 数据加载。self.num_samples = num_samples # 样本数量。self.num_tasks = num_tasks # 任务数量。self.num_vehicles = num_vehicles # 车辆数量。# y[i][j][k]: 车辆j是否从任务i行驶到任务k（二进制变量）return self.num_samples # 返回数据集大小。
2025-05-15 06:54:55
969
原创 借助 OpenCV 和 PyTorch 库，利用卷积神经网络提取图像边缘特征
python# 定义一个简单的卷积神经网络用于边缘特征提取# 定义一个卷积层，使用Sobel算子的近似卷积核来提取边缘# Sobel算子的x方向卷积核类继承自nn.Module，这是 PyTorch 中所有神经网络模块的基类。__init__方法：：定义一个二维卷积层，输入通道数为 1（灰度图像），输出通道数为 1，卷积核大小为 3x3，步长为 1，填充为 1，不使用偏置。：创建 Sobel 算子的 x 方向卷积核，并将其转换为 PyTorch 张量，同时增加维度以匹配卷积层权重的形状。
2025-04-20 17:01:13
1200
原创 使用 YOLOv8 模型对外接摄像头（设备索引为 1）实时分析
mainpythonmain函数是整个程序的核心逻辑所在，后续的操作都在这个函数内进行。
2025-04-19 11:15:50
1339
原创 基于深度 Q 网络（DQN）算法的强化学习
pythonQNetwork类继承自nn.Module，定义了一个多层感知机（MLP）作为 Q 网络，用于估计状态 - 动作值函数。__init__方法：初始化网络的全连接层，输入维度为input_dim，输出维度为output_dim，中间层有两个隐藏层，每层有 64 个神经元。forward方法：定义了前向传播过程，输入状态x，经过两个 ReLU 激活函数的隐藏层，最后输出动作值函数。pythonoptimizer使用 Adam 优化器来更新q_network的参数，学习率为。
2025-04-17 15:01:06
1611
原创 关于TD算法的笔记【时间差分】
初始化价值函数为0，智能体移动时根据TD更新公式更新状态价值，如从 s_t 移动到 s_{t + 1} ，V(s_t) 按公式 V(s_t)\leftarrow V(s_t)+\alpha [r_{t + 1}+\gamma V(s_{t + 1}) - V(s_t)] 更新，不断重复使价值函数收敛。\gamma V(s_{t + 1}) 中 V(s_{t + 1}) 是之前学习得到的对下一个状态价值的估计，\gamma 是折扣因子，取值在0到1之间，衡量未来奖励重要性，二者相加得到下一时刻估计值。
2025-04-15 18:20:32
420
原创 基于 Q - learning 算法的迷宫导航
这段 Python 代码实现了一个基于 Q - learning 算法的迷宫导航系统。代码通过定义迷宫环境、实现 Q - learning 算法来训练智能体，使其能够在迷宫中找到从起点到终点的最优路径，同时利用训练好的 Q 表来测试智能体的导航能力。
2025-04-11 16:40:17
707
原创 使用 Q - learning 算法解决迷宫路径规划问题
这段 Python 代码实现了一个使用 Q - learning 算法解决迷宫路径规划问题的程序。智能体在给定的迷宫环境中学习如何找到从起点到终点的最优路径，以获得最大奖励。
2025-04-11 16:20:00
1151
原创 OpenCV 在树莓派上进行实时人脸检测
这段 Python 代码借助 OpenCV 库实现了在树莓派上进行实时人脸检测的功能。它会开启摄像头捕获视频帧，在每一帧里检测人脸并以矩形框标记出来，同时在画面上显示帧率（FPS）。
2025-04-06 22:43:33
1325
原创 Java康威生命游戏（Conway‘s Game of Life）
java类继承自JFrame，这意味着它是一个窗口，用于承载游戏的可视化界面。
2025-03-30 20:01:05
614
原创 Java 贪吃蛇游戏
javaSnakeGame类继承自JPanel，用于创建游戏面板。实现了接口，用于处理定时器触发的事件。java和：定义游戏面板的宽度和高度，单位为像素。UNIT_SIZE：定义游戏中每个格子的大小，单位为像素。GAME_UNITS：计算游戏面板中总的格子数量。DELAY：定义游戏的延迟时间，单位为毫秒，用于控制蛇的移动速度。int appleY;x[]和y[]：存储蛇的身体每个部分的 x 和 y 坐标。bodyParts。
2025-03-30 19:55:41
1048
原创 使用 Flask 框架添加多个AI模型的API进行对话
该应用是一个基于 Flask 框架的 AI 模型 API 管理系统，允许用户添加、删除不同 AI 模型（如 DeepSeek、阿里云、智谱、百度、科大讯飞等）的 API 密钥，并通过这些配置好的 API 与相应的 AI 模型进行交互，获取回复。应用包含后端的 Flask 服务和前端的 HTML 页面及 JavaScript 脚本。
2025-03-27 19:30:12
1369
原创 调用 DeepSeek制作简单的电子宠物
这段 Python 代码实现了一个简单的电子宠物对话程序。程序通过调用 DeepSeek 的大语言模型 API 来模拟电子宠物与用户进行对话。用户可以输入问题或消息，电子宠物会以简短、友好的语气进行回复。当用户输入 “退出” 时，对话结束。
2025-03-27 16:31:03
1474
原创 python进行数据分析（以A 股为例）
pythonhtml.H1("A股股票分析看板", style={'text-align': 'center'}),html.Div([dcc.Input(id='ticker-input', value='600519', type='text'), # 茅台股票代码),html.Button('更新数据', id='update-button', n_clicks=0)dcc.Tabs([dcc.Tab(label='价格走势', children=[]),
2025-03-27 11:42:32
1390
原创 使用PyTorch 的神经网络模型对三维点云数据进行分类
本代码旨在构建一个基于 PyTorch 的神经网络模型，用于对生成的三维点云数据进行分类。通过生成数据集、数据预处理、模型训练、评估以及可视化等一系列操作，展示了一个完整的深度学习分类任务流程。最终通过绘制决策曲面和损失曲线，直观地呈现模型的性能和训练过程。pythonreturn x定义了一个名为的类，继承自nn.Module，这是 PyTorch 中所有神经网络模型的基类。
2025-03-27 10:09:24
1372
原创 基于词袋模型（Bag-of-Words）的简单神经网络的对话
本代码实现了一个基于词袋模型（Bag-of-Words）和简单神经网络的对话系统。该系统能够对用户输入的文本进行预处理、转换为词袋向量，通过神经网络进行训练和预测，并根据不同的输入情境生成相应的回复。
2025-03-26 16:50:08
1016
原创 使用交叉熵函数解决多分类问题
这段代码使用 Python 实现了一个简单的带有隐藏层的神经网络，用于解决多分类问题。具体步骤包括生成多分类数据集、对标签进行 one - hot 编码、定义神经网络模型、训练模型、测试模型以及可视化决策边界。SimpleNNpython__init__：类的构造函数，初始化神经网络的权重和偏置。w1：输入层到隐藏层的权重矩阵。b1：隐藏层的偏置向量。w2：隐藏层到输出层的权重矩阵。b2：输出层的偏置向量。pythonrelu：实现 ReLU 激活函数，将输入中小于 0 的值置为 0。
2025-03-25 11:28:22
1017
原创 神经网络解决非线性二分类
python__init__方法：初始化神经网络的权重和偏置。input_size为输入层神经元数量，为隐藏层神经元数量，为输出层神经元数量。pythonsigmoid方法：实现 Sigmoid 激活函数，将输入值映射到 (0, 1) 区间，常用于二分类问题的输出层。relu方法：实现 ReLU 激活函数，将小于 0 的值置为 0，大于等于 0 的值保持不变，可缓解梯度消失问题。pythonforward方法：实现神经网络的前向传播过程。
2025-03-24 15:09:55
654
原创 使用带隐藏层的神经网络拟合非线性数据
python# 2. 定义神经网络（带隐藏层的非线性模型）# 初始化权重和偏置self.w1 = np.random.randn(input_size, hidden_size) # 输入层到隐藏层的权重self.b1 = np.random.randn(hidden_size) # 隐藏层的偏置self.w2 = np.random.randn(hidden_size, output_size) # 隐藏层到输出层的权重。
2025-03-24 14:49:24
347
原创 基于简单神经网络的线性回归
pythonself.w = np.random.randn() # 权重self.b = np.random.randn() # 偏置return self.w * x + self.b # 前向传播return np.mean((y_true - y_pred) **2) # 均方误差dw = -2 * np.mean(x * (y_true - y_pred)) # 权重的梯度db = -2 * np.mean(y_true - y_pred) # 偏置的梯度。
2025-03-24 10:26:28
1210
原创 运用scipy库进行线性拟合
python定义一个名为的函数，它代表一个线性模型。该函数接受三个参数：自变量x、斜率a和截距b。函数返回值是线性方程a * x + b的计算结果。
2025-03-24 10:03:39
442
原创 基于 PyTorch 的 MNIST 手写数字分类模型
pythoncriterion = nn.CrossEntropyLoss() # 交叉熵损失函数optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam优化器损失函数：使用定义了交叉熵损失函数，用于计算模型预测结果与真实标签之间的差异。交叉熵损失函数常用于多分类任务。优化器：选择optim.Adam作为优化器，表示要更新的模型参数，lr=0.001设置学习率为 0.001，学习率控制每次参数更新的步长。
2025-03-21 14:59:34
784
原创 基于蒙特卡洛方法的网格世界求解
python# 定义网格世界的大小ACTIONS = ['up', 'down', 'left', 'right'] # 可能的动作REWARD_END = 10 # 到达终点的奖励REWARD_STEP = -1 # 每步的惩罚GAMMA = 0.9 # 折扣因子# 定义网格世界的起点和终点GRID_SIZE：表示网格世界的边长，这里设置为 5，即网格世界是一个 5x5 的方格。ACTIONS：列出了智能体在网格世界中可以采取的四个动作，分别是向上、向下、向左、向右。REWARD_END。
2025-03-21 11:53:52
1283
原创 MDP（马尔可夫决策）网格世界值迭代算法
本代码实现了一个简单的网格世界环境，并使用值迭代算法求解该环境中的最优值函数和最优策略。网格世界是一个常见的强化学习示例，智能体需要在一个离散的网格空间中采取行动，以最大化其累积奖励。值迭代算法是一种用于求解马尔可夫决策过程（MDP）的经典算法，通过迭代更新每个状态的值函数，最终收敛到最优值函数和最优策略。python# 定义网格世界的大小ACTIONS = ['up', 'down', 'left', 'right'] # 可能的动作REWARD_END = 10 # 到达终点的奖励。
2025-03-21 11:24:48
584
原创 ε-Greedy 老虎机算法
Banditpython"""初始化老虎机。:param true_mean: 老虎机的真实均值（收益的期望值）"""self.true_mean = true_mean # 老虎机的真实均值self.estimated_mean = 0 # 对老虎机均值的估计值，初始为0self.N = 0 # 老虎机被尝试的次数，初始为0"""模拟拉老虎机的过程，返回一个随机收益。:return: 返回一个服从正态分布的随机值，均值为true_mean，标准差为1""""""
2025-03-21 11:15:04
553
此 HTML 文件构建了一个恐龙餐厅的菜单页面，用户能够浏览菜品、将菜品添加到购物车，并进行支付操作 页面运用 HTML 搭建结
2025-03-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人