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
400+累计阅读
474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
1. service 官方文档：http://developer.android.com/guide/components/services.html
2. service的onStartCommand返回值：http://blog.youkuaiyun.com/androidbluetooth/article/details/7600008
3. http://15975604853.blog.163.com/blog/static/118288035201210485730382/
4. http://blog.sina.com.cn/s/blog_3e3fcadd0100yjo2.html
【电力负荷预测】项目介绍 MATLAB实现基于BO-Transformer-LSTM贝叶斯优化算法（BO）优化Transformer-LSTM组合模型进行居民用户多步电力负荷预测（含模型描述及部分示例
内容概要：本文介绍了一个基于BO-Transformer-LSTM的组合模型，用于实现居民用户多步电力负荷预测的完整项目实例。该模型融合Transformer的全局注意力机制与LSTM的局部时序记忆能力，构建能够捕捉长时依赖与周期性特征的深度学习架构，并引入贝叶斯优化（BO）自动搜索最优超参数组合，提升预测精度与训练效率。项目涵盖从原始数据清洗、特征工程、滑动窗口样本构建、模型设计到超参数优化、反归一化及多步误差评估的全流程，强调时间顺序划分以防止信息泄露，并通过周期编码、外生变量融合等方式增强数据表达能力。文中提供了详细的MATLAB代码示例，包括数据预处理、网络搭建、贝叶斯优化配置和预测结果评估等关键步骤。 适合人群：具备一定机器学习和时间序列分析基础，熟悉MATLAB编程环境，从事电力系统预测、智能电网、负荷管理等相关领域的研究人员、工程师及研究生。 使用场景及目标：①应用于居民级或多用户聚合负荷的短期至中期多步预测（如未来24小时）；②服务于配电系统运行调度、需求响应基线设定、家庭能源管理系统优化、分布式能源协调控制等实际工程场景；③为科研提供可复现的深度学习+贝叶斯优化的技术路线参考。 阅读建议：此资源以实际项目为导向，建议读者结合提供的代码逐步实现并调试模型，重点关注数据质量控制、时间特征编码、组合网络结构设计与贝叶斯优化稳定性之间的协同关系，在实践中深入理解多步预测中的误差累积机制与超参数敏感性问题。
Android 启动其他应用的Activity或Service失败解决
本文仅针对Android11，如果你的模拟器或设备是Android11的话，请继续看下去。 一、提出问题 最近在使用一个应用绑定另外一个应用的Service时，无论如何都绑定不上，现象是Service的onCreate()和onStartCommand()回调都没有执行。说明应用之间的通信出现了问题。 二、调查过程 了解到我们现在使用的模拟器使用的是Android11，所以抱着试一试的态度去看了一下Android11的新特性。发现在Android11中新增了一项“包可见性”。 作者：pc_Li
国央企创新负责人如何通过平台实现科研成果的快速识别与转化？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
Android Service的绑定和非绑定服务
Service介绍： Service是系统四大组件之一，它的后台运行并不是子线程，Service的运行是在主线程中进行的，只是它没有界面显示而已，它的耗时操作同样需要开启子线程，否者会跟Activity一样出现ANR。它不能在页面显示，只能在后台运行，可以与其他组件进行交互。Service的用途很广，比如播放多媒体的时候用户启动了其他Activity这个时候程序要在后台继续播放，比如检测SD卡上...
PotPlayer自用皮肤
自用 PotPlayer 皮肤，仅微调了字体大小与颜色，是按个人习惯调整，未做适配性调整。
2-shell及常用命令-续.pdf
2-shell及常用命令-续.pdf
android服务启动失败Unable to start service Intent U=0: not found
android启动服务失败，提示：Unable to start service Intent { cmp=xxx/.xxx} U=0: not found
从SolidWorks到URDF：插件使用、关节配置与PyBullet仿真避坑指南
本文提供了一份从SolidWorks导出URDF模型并导入PyBullet进行仿真的完整实战指南。详细讲解了SolidWorks插件的正确安装与配置、关节类型的选择与坐标系对齐的核心技巧，并针对PyBullet仿真中常见的模型散架、路径错误、物理属性异常等问题提供了深度避坑解决方案，帮助机器人开发者高效完成从设计到仿真的全流程。
Android内存泄漏总结
Android内存泄漏常见场景监听器场景：监听器，内部类以及匿名类。。。
【Excel VBA 编程】批量核对两张表格数据，行和列显示顺序均被打乱
利用数据字典在 Excel 中进行表格数据的核对，该表格含有多行多列，并且行和列顺序是打乱的，批量核对数据后将差异输出
Silvaco TCAD | 从PIN到APD：高性能光电探测器的仿真设计与优化
本文详细介绍了使用Silvaco TCAD进行光电探测器仿真设计与优化的全过程，从基础的PIN结构到高性能APD的实现。通过实战案例和代码示例，展示了如何优化器件参数、实现雪崩效应以及进行高级仿真分析，帮助工程师提升光电探测器的量子效率和响应速度。
Process Phoenix最佳实践：避免内存泄漏的10个实用技巧
Process Phoenix是一款专注于应用进程重启的Android开发工具，能够帮助开发者实现应用的无缝重启。在使用Process Phoenix进行进程管理时，内存泄漏是常见的性能问题。本文将分享10个实用技巧，帮助开发者在使用Process Phoenix时有效避免内存泄漏，提升应用稳定性。 ## 1. 正确管理Context引用 在调用`ProcessPhoenix.triggerR
FastAPI + React：现代 Web 前后端分离开发的全栈实践指南
• 部署：CI/CD 双流水线，前端 push → GitHub Actions → Cloudflare Pages；• 后端：分层结构 routers → services → repositories → models，单测覆盖率 90 %。• 接口缓存：Redis + FastAPI Depends 实现接口级缓存，读 QPS 提升至 5 k。• 前端：BFF 由 React Query 代理，统一缓存、重试、分页。GET /items/{id} 详情。，前端同学无需等 Mock 即可联调。
android绑定Service失败原因
.清单文件中没有加service字段,即便service是jar包中的,也需要在清单文件中注册 2.远程服务没有启动 在Android中，当我们跨进程启动或者绑定一个Service，当时不能保证第一次就能成功，比如，远程的Service还没起启动成功，需要过一段时间才行，当没有绑定成...
【YOLOv11多模态融合改进】（可见光+红外）涉及像素级融合、特征级融合（中期、中后期、后期）、决策级融合的完整配置步骤以及二次改进方案
在网络输入阶段将多模态数据直接合并，形成统一的特征表示。
由ip地址和子网掩码求网络号、主机号、广播地址（超详细）
1、用二进制数表示IP地址 在进行计算之前，我们首先要学会十进制的IP地址怎么转换为二进制的IP地址。 给出一个例子： 十进制：172.16.25.3 二进制：10101100.00010000.00011001.00000011 1、如果两台主机的网络号相同，我们就说它们是同一网段 2、主机号的意义 - 1）主机号部分全变成1，即为该网段的广播地址 - 2）主机号部分全变成0，即为该网段的网路地址（网络号） 3、如果主机号部分为x位，则该网络能容纳最大主机数为： 2的x次方-2。减2
别再用@ComponentScan了！Spring 5.2+ 隐藏的启动加速神器 @Indexed 实战与避坑指南
本文深入解析Spring 5.2+引入的`@Indexed`注解，通过编译时生成组件索引替代传统的运行时类路径扫描，显著提升应用启动性能。文章涵盖从基础配置到多模块改造策略，结合真实性能数据展示如何减少30%-50%的启动时间，并提供了常见问题的避坑指南。
ABAP CDS 视图参数 parameter_list 详解与最佳实践：从语法、作用域到可运行范例
本文系统梳理了ABAP CDS视图的WITH PARAMETERS定义与使用。主要内容包括：1）参数声明语法及其在整条SELECT语句中的贯穿使用；2）参数在WHERE/HAVING/ON等位置的多种写法（:pname和$parameters.pname）；3）参数在航空公司航线筛选等实际业务场景中的应用；4）参数与会话变量的协作策略；5）在JOIN ON、HAVING、CASE等高级用法中的实践；6）提供完整的CDS视图与ABAP程序示例，展示参数声明、使用及Open SQL传参方式。所有内容均基于SAP
Android 进程保活招式大全
目前市面上的应用，貌似除了微信和手Q都会比较担心被用户或者系统（厂商）杀死问题。本文对 Android 进程拉活进行一个总结。 Android 进程拉活包括两个层面： A. 提供进程优先级，降低进程被杀死的概率 B. 在进程被杀死后，进行拉活 本文下面就从这两个方面做一下总结。 1. 进程的优先级 Android 系统将尽量长时间地保持应用进程，但为了新建进程或
【项目实战】SOVD协议（面向服务的车辆诊断协议）
此外，AUTOSAR组织将SOVD部分内容的软件实现定义在了R22-11及以上版本的AUTOSAR Adaptive规范中，还支持动态发现车内诊断功能、获取高性能计算机（HPC）的Log信息等新的诊断需求，更符合当前软件定义汽车概念下的行业趋势。而SOVDGateway作为边缘节点，也肩负着对SOVD Client进行认证以及权限控制的责任，从而保证车辆的信息安全。相较于传统的UDS（Unified Diagnostic Services）协议，SOVD不仅保留了传统的读写数据、例程控制、故障读取等功能，
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。
android+连接不上服务器,android连接服务器
用了一个礼拜的时间研究了android连接服务器的大体流程。连接服务器有两种办法，一种是使用java类HttpURLConnection，另一个是使用apache的类HttpClient，在安卓2.3以后建议使用HttpURLConnection进行开发。以下作为以后再次使用网络连接服务器的一个参考，如有不对之处，尽请指正，感激不尽。android客户端：首先书写一个HttpUtil类，封装了连接...
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
Android学习笔记（五五）：通知Notification（下）
Notification除了用于后台服务通知，还常用在下面情况： （1）保持服务存在。当系统内存不足时，系统会认为某后台服务占用内存时间太长而中止该服务，以释放内存。对于某些服务，例如播放音乐，如果系统对该服务进行资源释放，用户体验就成了音乐突然没有声音。对这类服务，我们希望享有更高的优先级别，不会被系统干掉。 （2）用户随时与服务进行互动。例如播放音乐的服务，用户可随时暂停音乐播放，或选择其
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")
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5564
扫一扫
