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
275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
参考：
http://blog.youkuaiyun.com/hanzengyi/article/details/8473667
http://blog.163.com/yun_2527/blog/static/352718612010111510539604/
http://enchen.blog.51cto.com/716040/183227
http://blog.youkuaiyun.com/joans123/article/details/6586428
http://blog.youkuaiyun.com/xiaokeweng/article/details/8783226
http://blog.youkuaiyun.com/xiaokeweng/article/details/8788113
MFC停靠窗口实战：CDockablePane从创建到控件布局的完整指南（附残影问题排查）
本文提供了MFC中CDockablePane停靠窗口的完整实战指南，涵盖从自定义窗格类创建、主框架集成、内部控件布局到高级功能定制的全过程。针对开发中常见的“残影”视觉问题，文章深入剖析了其根源，并给出了系统性的排查步骤与解决方案，帮助开发者构建稳定、专业的可停靠用户界面。
Android5.0网络策略导致PPPOE无法正常上网
===========================
PythonOCC基础使用：建模——倒角倒圆（二维+三维）
占坑
Android实现pppoe拨号上网（一）概述
最近在做Android上实现pppoe拨号上网的功能。一般情况下不大可能会用到，但在大陆某些地区，可能会有AP并不支持DHCP功能，或者在某些平台上面装载Android系统的时候，可能会需要移植拓展该功能。什么是pppoe就不再介绍了，下面对于我的实验环境搭建和操作进行简述： 个人邮箱：xiaokeweng@gmail.com （一）实验环境搭建 描述：本例是在支持wifi的
描边盛开火玫瑰
python描边盛开火玫瑰 代码如下 import turtle as t t.setup(800,800) t.hideturtle() t.speed(11) t.penup() t.goto(50,-450) t.pensize(5) t.pencolor("black") t.seth(140) t.pendown() t.speed(10) t.circle(-300,60) t.fd(100) #jiaodu80 #1ye t.seth(10) t.fd(50) t.fillcolor("gr
数学建模更新10（蒙特卡罗模拟）
蒙特卡罗模拟一.目录二.引例1：布丰投针实验1.投针步骤2.思路3. 历史实验者二.蒙特卡罗模拟概述1.定义2.提出3.原理4.讨论三.应用实例1.三门问题【1】问题【2】代码2.模拟排队问题【1】题目【2】引入参数【3】总结题目信息【4】过程可视化【5】一些推导公式【6】代码3.有约束的非线性规划问题【1】问题的分类【2】例子【3】推导过程【4】代码 一.目录 二.引例1：布丰投针实验 1.投针步骤 步骤： 1：取一张白纸，在上面画出许多条间距为a的平行线 2：去一根长度为l的针，随机的向纸张上投掷n次
PPPOE流程分析3---pppoe native程序包
1. 相关文件 主要源码目录是, android/external/ppp/pppoe, 其中核心的是4个shell script, 和一个bin 1.1 Android.mk 此编译脚本主要用来指明编译pppoe这个binary时的规则. 1.2 Script/Pppoe-connect 执行pppoe拨号脚本 1.3 Script/Pppoe-disconnect 杀掉pppoe
ADS2023仿真变容二极管特性
仿真S-Param仿真控件，设置为Single Point,将频率设置为1MHz,同时勾选Z-parameters,取消S-parameters,从元件库中选择元器件搭建原理图，并根据器件spice提供的相关参数，对原理图中器件参数进行修改，修改完成的电路图如下图所示。添加var控件和MeasEqn控件，相关设置如图所示，Ct为变容管的电容值，Q0为其品质因数。因此，对变容二极管的模型仿真结果是可以信赖的。将其解压，在spice文件夹中，可以找到我们想要的器件参数，和仿真简要电路图。
Android实现pppoe拨号上网（二）具体步骤
个人邮箱：xiaokeweng@gmail.com 实验环境搭建，满足pppoe链接的基础服务，就是保证ppp协议能够封装在以太网框架中的一种网络隧道协议，因为集成了ppp协议，所以实现了创痛以太网不能提供身份验证，加密和压缩的功能。本质上，它是一个允许在以太网广播域中的两个以太网接口间创建ppp协议隧道。它使用传统的基于PPP的软件来管理一个不是使用串行线路而是使用类似于以太网的有
大话西游2单机版V8一键架设教程：5分钟搞定GM权限和仙玉修改（附完整物品代码表）
本文详细讲解了大话西游2单机版V8的一键架设教程，包括5分钟快速配置GM权限、仙玉修改及物品代码使用技巧。通过分步指导和服务端配置详解，帮助玩家轻松掌握游戏管理功能，重温经典回合制体验。附完整物品代码表，助你快速获取稀有道具和神兽。
基于物联网技术智慧园林绿化养护管理信息平台
近几年来，随着经济不断的发展，城市面积不断的扩大，城市管理中的园林绿化工作也在这种趋势下不断的发生着深刻改变。管养企业是否按制定的管养计划严格执行?绿化事件整改是否及时到位?绿地面积是否在稳步增长?管养的效果如何?如何客观评价管养企业的管养工作?这些都是我们各级管理者需要面对的问题。 智慧园林绿化养护管理信息平台的开发思路以“考核”为核心，整个信息平台体现出“新、快、高、全、享”五个特点。 智慧园林绿化养护管理信息平台的整个开发理念为：依托五大技术手段(全球卫星定位系统技术、地理信...
android pppoe 源码,android移植pppoe拨号上网的全过程
硬件环境：Tiny6410开发板软件环境：fedora14 + Android 2.3.4 + linux-2.6.361、编译内核支持pppandroid自带pppd，所以仅仅须要移植pppoe即可了。首先在内核中make menuconfig-> Device Drivers -> Network device support。选中全部ppp选项。退出，保存配置，又一次运行make...
通信算法之334：无人机侦测-DJI 大疆云哨接收机系列
【代码】通信算法之334：DJI 大疆 云哨接收机算法流程。
android移植pppoe实现拨号上网全过程
硬件环境：Tiny6410开发板 软件环境：fedora14 + Android 2.3.4 + linux-2.6.36 所需资源：rp-pppoe-3.11.tar.gz http://www.roaringpenguin.com/products/pppoe 1、编译内核支持ppp android自带pppd，所以只需要移植pppoe就行了
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
java拨号上网,Android实现pppoe拨号上网（二）具体步骤
实验环境搭建，满足pppoe链接的基础服务，就是保证ppp协议能够封装在以太网框架中的一种网络隧道协议，因为集成了ppp协议，所以实现了创痛以太网不能提供身份验证，加密和压缩的功能。本质上，它是一个允许在以太网广播域中的两个以太网接口间创建ppp协议隧道。它使用传统的基于PPP的软件来管理一个不是使用串行线路而是使用类似于以太网的有向分组网络的连接。这种有登陆和口令的标准连接，方便了接入供应商的记...
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")
pppoe客户端往ok6410开发板的移植
PPPOE移植的相关的步骤以及说明 首先是要对pppoe有个大体的认识，相关的概念如下： 1、什么是pppoe PPP（Point-to-PointProtocol点到点协议）是为在同等单元之间传输数据包这样的简单链路设计的链路层协议。这种链路提供全双工操作，并按照顺序传递数据包。设计目的主要是用来通过拨号或专线方式建立点对点连接发送数据，使其成为各种主机、网桥和路由器之间简单连接的一种共
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
android移植pppoe拨号上网的全过程
硬件环境：Tiny6410开发板 软件环境：fedora14 + Android 2.3.4 + linux-2.6.36 所需资源：rp-pppoe-3.11.tar.gzhttp://www.roaringpenguin.com/products/pppoe 1、编译内核支持ppp android自带pppd，所以仅仅...
关于pppd移植和3g功能
<br />1. 内核配置支持pppd拨号：<br />make menuconfig<br /> Device Drivers-><br /> ->Network Device Support-><br /> <*> PPP (point-to-point protocol) support<br /> [*] PPP multilink support<br /> <*> PPP support for async serial ports<br /
android-4.2.1_r1 Porting PPPoE
由于Android已经有pppd（external/ppp/pppd）,需要移植pppoe。 配置Linux内核, 使能ppp支持 配置： （１）make menuconfig - > Device Drivers -> Network device support，选择如图的ppp选项(如果不行请把所有的ppp选项选上)。 （２）make -j8 ...
andorid pppoe拨号上网
简单介绍一下PPPOE拨号 首先，我们通过介质（网线）连接到ISP的主机，这时候我们的机器只能和ISP通讯，除此之外就不能干其他的事情了。 然后我们需要和ISP协商我想访问外网输入用户名密码，通过他的验证后，他就会分配一个IP地址,让你访问外网了。 从中我们可以看出，如果我们想进行PPPOE拨号的开发验证，如果我们使用家里用的网线拨号会将是一个非常痛苦的情况， 我很难经行调试跟踪。 所
嵌入式pppoe
一：总的来说可以分四点 1：arm linux 内核支持ppp 2: install ppp-2.4.4 (rp-pppoe要ppp的支持才能正常运行)。 3: install rp-pppoe。 4：把步骤（2）（3）中生成的相应文件下载到目标板，根据相应提示适当修改就行了。 二：需要的包 移植需要rp-pppoe和ppp。我用的是rp-pppoe3.10和ppp-2.4.4的组
pppoe移植到arm上 2.0
先搭建好pppoe server，这里在windows上面搭建pppoe server，参考 http://www.cnblogs.com/bluebbc/archive/2012/06/05/2536382.html ====参考“基于arm架构的pppoe的终极移植笔记”，http://blog.sina.com.cn/s/blog_66c864270100nvvv.html做准备工作：&g...
Android MID 3G 移植
分类： 3G android2012-05-31 11:26 2796人阅读 评论(2) 收藏 举报 android华为symlinkstream中兴filter 市面上大多数MID使用的3G模块一般都是使用中兴、华为的， 在项目中本人调试过中兴的MU301 TD模块、华为的EM770w WCDMA模块。 本文基于华为的EM770w WCDMA模块进行讲述。
ARM 移植 PPPD
<br /> <br /> <br />1． 下载编译ppp-2.4.1<br />a) 解压<br />b) 进入chat目录，修改Makefile.linux, 添加CC=arm-linux-gcc<br />c) 编译chat: make –f Makefile.linux,生成chat<br />d) 进入pppd目录，修改Makefile.linux, 将CC=gcc修改为CC=arm-linux-gcc<br />e) 编译pppd
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
614
扫一扫
