博客 RSS 訂閱

u_15856507 頭像

電子開發圈 - 0122-基於單片機-冰箱(冷藏+速凍+化霜)-系統設計(1602+DHT11+PCF8591+24C02+1302)

功能描述 採用51單片機作為主控芯片； 採用1602液晶顯示温濕度、時間、電壓、開門時間； 採用DHT11傳感器檢測温濕度； 採用1302時鐘芯片； 採用PCF8591檢測電壓； 支持三種工作模式： 1、冷藏模式：壓縮機+冷風機運行。

Proteus , 上拉 , 單片機 , 51單片機 , 後端開發 , 嵌入式硬件 , harmonyos

收藏 評論

u_15856507 頭像

電子開發圈 - 0121-基於單片機-環境監測-系統設計(12864+TLC549+DHT11)(電路+仿真)

功能描述 1、採用51單片機作為主控芯片； 2、採用12864液晶顯示：温度、濕度、光照、設置菜單； 3、採用DHT11檢測温度、濕度； 4、採用光敏電阻+TLC549檢測光照； 5、通過按鍵進入設置菜單，設置各項上下限，超限報警（液晶顯示+蜂鳴器)； 6、支

Proteus , 上拉 , 單片機 , 51單片機 , 後端開發 , 嵌入式硬件 , harmonyos

收藏 評論

u_16099326 頭像

編程小天才 - flinkkafka吞吐量 flink為什麼吞吐量大

雙十一流量洪峯已經過去，身為大數據工程師的你，還在苦學Spark、Hadoop、Storm，卻還沒搞過Flink？每年雙十一，阿里都在Flink實時計算技術的驅動下全程保持了“如絲般順滑”，基於Flink的阿里巴巴實時計算平台簡直強·無敵。 最恐怖的是，阿里幾乎每年的實時計算峯值都達到了破紀錄的每秒40億條記錄，數據量也達到了驚人的7TB每秒，相當

js , Vue , 架構 , 後端開發 , flinkkafka吞吐量 , HTML , Javascript

收藏 評論

u_15856507 頭像

電子開發圈 - 基於單片機-H橋電機調速 (程序+仿真) 5065

功能描述 1、採用51單片機作為主控芯片 2、採用H橋驅動電機； 3、按鍵控制電機的開啓、停止、轉向、速度； 仿真設計 單片機管腳説明： P0端口（P0.0-P0.7）：P0口為一個8位漏極開路雙向I/O口，每個引腳可吸收8TTL門電流。當P1口的管腳第一次寫1時，被定義為高阻輸入。P

單片機 , 後端開發 , 嵌入式硬件 , 引腳 , 數據存儲 , 外部程序 , Python

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - AI時代需求編寫指南：如何編寫讓AI也能看懂的高質量需求（必學收藏）

前言 無論是需求、規範還是用户故事，用於指導代碼實現的任何信息，都必須具備一些關鍵特質（如敏捷方法中的 INVEST 原則）。隨着人工智能逐漸參與代碼生成，需求不僅要滿足人類開發者的理解，還需要更加明確、結構化，以便 AI 能正確、可靠地生成符合項目約束的代碼。因此，編寫需求時標準更高，既要清晰給人看，更要讓 AI 能"看懂"並正確實現。 本

大模型教程 , oracle , AI大模型 , 數據庫 , 人工智能 , 大模型入門 , 大模型學習

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【收藏必學】構建深度思考型智能體 RAG 流水線：解決複雜查詢的完整指南

涵蓋規劃、檢索、反思、批判、綜合等多個環節 一個 RAG 系統之所以會失敗，通常不是因為大型語言模型（LLM）不夠智能，而是因為它的架構過於簡單。它試圖用一種線性的、一次性的方法來處理一個循環的、多步驟的問題。 許多複雜查詢需要推理、反思以及在何時採取行動方面的明智決策，這與我們面對問題時檢索信息的方式非常相似。這正是智能體驅動的操作在 RA

大模型教程 , 語言模型 , 後端開發 , 人工智能 , 大模型入門 , harmonyos , 大模型學習

收藏 評論

u_16213612 頭像

mob64ca13ff5b03 - xhsell6產品運行所需的信息檢索失敗 40002

商品錄入 課程目標 目標1：完成商品分類功能 目標2：瞭解電商概念SPU 和SKU 目標3：掌握富文本編輯器的使用 目標4：掌握上傳服務器FastDFS 目標5：掌握angularJS圖片上傳 1.商品分類 1.1需求及表結構分析 1.1.1需求分析 實現三級商品分類列表查詢功能 進入

List , NLP , 人工智能 , HTML , 表結構

收藏 評論

u_17515227 頭像

寫的做不如改的多 - iPhone 抓包工具怎麼選？從 HTTPS 調試、TCP 數據流分析到多工具協同的完整方案

在移動端開發、接口聯調以及 API 行為分析中，iPhone 抓包工具 是工程師最常接觸的調試武器之一。但 iOS 的網絡體系相對封閉，再加上證書校驗、ATS、安全策略與多協議混合（HTTPS + QUIC + TCP/UDP），導致“能真正抓到完整流量”的方案並不簡單。 與其糾結“哪一個抓包工具最好”，不如從工程角度構建一個“多工具互補”的抓包體系：代理 + 底層 + 自動化 +

yyds乾貨盤點 , 移動開發 , ios

收藏 評論

u_16213698 頭像

mob64ca1413c518 - 語音識別 語音增強

步驟: 預加重,高頻信號更容易衰減,預加重是個一階高通濾波器，可以提高信號高頻部分的能量 分幀, 語音信號短時平穩性,這個短時間一般取 10-30ms，因此在進行語音信號處理時，為減少語音信號整體的非穩態、時變的影響，從而對語音信號進行分段處理，其中每一段稱為一幀，幀長一般取 25ms。為了使幀與幀之間平滑過渡，保持其連續性，分幀一般採用交疊分段的方法，保

傅里葉變換 , NLP , 語音信號 , 人工智能 , 語音識別 語音增強 , 時域

收藏 評論

u_17420180 頭像

合合信息解決方案 - 醫療票據識別技術如何實現

在醫療數字化轉型的浪潮中，票據處理一直是困擾醫保審核、商業保險理賠、醫院財務管理的“老大難”。全國各地醫療機構出具的票據版式千差萬別，複雜的表格結構、低質量的圖像採集，讓傳統人工錄入效率低下、錯誤頻發。合合信息TextIn平台重磅推出的醫療票據識別產品，通過深度學習與OCR技術的深度融合，為這一行業痛點提供了精準高效的解決方案。 OCR技術奠定識別基礎 醫療票據識別的

預處理 , 機器學習 , 人工智能 , 深度學習 , 圖像質量

收藏 評論

u_17420180 頭像

合合信息解決方案 - AI如何自動識別報銷單據信息

當財務人員每天面對堆積如山的報銷單據時，傳統手工錄入不僅效率低下，錯誤率更是居高不下。根據行業數據顯示，採用智能OCR票據識別系統的企業，財務處理效率平均提升了300%，錯誤率降低至0.1%以下。AI如何實現報銷單據的自動識別？合合信息基於文本智能技術打造的智能審核解決方案，正在為這一難題提供答案。 OCR技術：從圖像到數據的智能轉換 AI自動識別報銷單據的核心在於O

機器學習 , 字符識別 , 數據 , 人工智能 , 解決方案

收藏 評論

u_16152459 頭像

壞檸ovo - 從 sysfs 到 libgpiod ——Linux GPIO 控制的兩種方式詳解

前言 在嵌入式 Linux 開發中，控制 GPIO 引腳 是再常見不過的需求。 無論是點亮一個 LED，還是檢測一個按鍵，都離不開對 GPIO 的操作。 本文帶你從最傳統的 /sys/class/gpio 接口入門，再到現代的 libgpiod 接口。 兩者對比之後，你將清楚地知道： 哪種方

服務器 , MySQL , 運維 , 數據庫 , Linux , 引腳 , 命令行工具

收藏 評論

u_17420180 頭像

合合信息解決方案 - 財務數字化轉型具體步驟是什麼

當企業財務部門還在為每月數百張發票錄入、跨系統數據核對而焦頭爛額時，行業領先者已經通過數字化轉型實現了效率的質變。某快消品集團五年投入5300萬元完成轉型後，每年節省人工成本超1000萬元，財務效率提升40%。這背後的關鍵，在於掌握了科學的分階段實施路徑。 第一步：明確轉型戰略與需求評估 財務數字化轉型的首要任務是制定清晰的戰略規劃。企業需要評估當前財務業務的運作情況

機器學習 , 業務流程 , 數據 , 人工智能 , 數據驅動

收藏 評論

u_14592562 頭像

wx5db79fc293ace - 光潤通FF-1002E-V3.0實戰方案：10Gb/s+自主可控賦能關鍵行業萬兆升級

數字經濟時代，企業級數據中心、政府軍工、金融等關鍵領域正遭遇網絡升級“三座大山”：傳輸速率滯後導致業務卡頓、核心芯片進口引發安全隱患、高功耗推高運維成本。服務器、防火牆等核心設備對“高速+安全+節能”的訴求愈發強烈，傳統網卡的適配短板已成為行業升級的核心梗阻。 作為深耕光通信領域的民族品牌，光潤通推出的FF-1002E-V3.0萬兆雙光口服務器適配器，以自主核心技術破解行業

10G網卡 , 服務器 , 負載均衡

收藏 評論

u_15851118 頭像

u_15851118 - OpenAI Whisper：技術、實戰、生態

概述 在語音轉文本ASR工具合集彙總介紹過幾款語音識別模型和項目，其中就包括OpenAI開源的Whisper。 論文，OpenAI開源的支持多語言的通用ASR。在68萬小時的標註數據上進行訓練，有很強的泛化能力；作為一個多任務模型，可執行多語言語音識別、語音翻譯和口語識別。通過使用分塊算法，也可用於轉錄任意長度的音頻樣本。分塊是通過在實例化管

預處理 , 卷積 , whisper , 數據 , MySQL , 數據庫

收藏 評論

u_17536710 頭像

mb68d4f4b730ca5 - 企業高質量發展評價體系實施的難易程度

在數聚股份看來， 政府部門對企業實施高質量發展評價過程中，有構建評價體系是其中最關鍵的部分，本文主要從體系構建的角度側面的呈現實施的難易程度。而大數據採集及可視化將貫穿全過程。 首先我國最新2017年版國民經濟行業分類(GB/T 4754-2017)將現行行業分為20大類，4個層級，共1775個小項，因此在指定評價體系過程中第一步需要考慮的就是行業分類對體系的影響。不同行業

大數據 , bi工具 , 數據採集 , 數據可視化 , 人工智能 , 數據分析

收藏 評論

u_16213618 頭像

mob64ca1400bfa8 - disassemble 分析core文件

.net core dump分析 20211220 更新：利用VS或者命令內存分析 20210421更新：可以使用https://memprofiler.com/download和VS直接打開dmp文件 (內存泄漏查看比較方便，但是cpu線程分析還是用dotnet-dump analyze好一點) 20201211更新： 用https://docs.micros

機器學習 , microsoft , 加載 , 人工智能 , .net

收藏 評論

u_13978112 頭像

wx5ba1a231a2789 - ARS548雷達使用中的問題及解答

首先，在此感謝上海渭成智能科技有限公司提供的無償諮詢服務和資料。 ARS548 是德國大陸推出的新一代毫米波雷達傳感器，是大陸第五代毫米波雷達的高配版本，屬於 4D 高分辨率成像毫米波雷達，基於 ARS540 硬件平台特別適配通用型開發版固件，支持輸出 Detection (即 Cluster) 和 Obiect (即 Track) 目標信息，所以除了典型的車載場景應用，也

單播 , ip , 固件 , 人工智能 , 深度學習

收藏 評論

u_16099221 頭像

技術領航者之聲 - DB2 jabcd連接串socketTimeout

以遞歸方式處理數據關係的一種新方法 Birgitta Hauser, 軟件工程師, Toolmaker Advanced Efficiency GmbH 簡介：根據 SQL 標準，分級數據（如組織圖和材料單）或雙向數據（如航班中轉）可以通過使用遞歸通用表表達式 (RCTE) 進行評估。DB2 for i 的 V5R4 版本中提供了 RCTE 功能。其他的數據庫（如 O

大數據 , 遞歸 , 數據 , 數據倉庫 , SQL

收藏 評論

u_14767244 頭像

u_14767244 - 壓縮率提升 48%，詳解 Apache Doris 存儲壓縮優化之道｜Deep Dive

摘要 本文基於 ClickBench 數據集，展示了 Apache Doris 如何通過選擇壓縮算法、調整數據頁大小與分桶數、優化編碼策略以及改進數據排序來提升壓縮效率。最終，相同數據集的壓縮空間從 16.08 GB 降至 8.2 GB，壓縮率提升 48.6%。通過合理的調整與優化，Doris 成功在保持查詢性能的同時顯著降低了存儲成本。 在分析型數據庫中，列式存儲是壓縮和

大數據 , 字符串 , 數據 , 數據倉庫 , 壓縮算法

收藏 評論

u_16773655 頭像

向量檢索 - 如何通過HTTP API檢索Doc

本文介紹如何通過HTTP API在Collection中進行相似性檢索。 前提條件 已創建Cluster：創建Cluster。 已獲得API-KEY：API-KEY管理。 Method與URL HTTP POST https://{Endpoint}/v1/collections/

向量檢索 , 大數據 , yyds乾貨盤點 , 數據倉庫 , AI , 人工智能 , 大模型

收藏 評論

u_16099329 頭像

數據狂徒 - paddle nlp 文章生成 paddle編譯

官方網站編譯參考鏈接： # 一、環境準備 1、參照環境要求，準備gcc8.2，否則會碰到未知錯誤，比如 error: identifier "__builtin_ia32_sqrtsd_round" is undefined 2、切換gcc版本 3、由於我使用的proto版本是3.4.0，與官網上給

github , NLP , 人工智能 , paddle nlp 文章生成 , paddle , if , Git

收藏 評論

u_17480953 頭像

AIIData數據中台 - 〔從零搭建〕數倉建模平台部署指南

1、數倉建模平台基於開源項目kylin建設 AllData數據中台商業版集成Kylin後，提供超大規模數據的實時分析與數倉建模能力。通過Kylin的預計算技術，實現PB級數據的亞秒級查詢響應，支持高併發多維分析場景。 系統內置分佈式計算框架，可動態擴展資源，結合Kylin的列式存儲與高效壓縮算法，顯著降低存儲成本，適用於金融風控、零售精準營銷等複雜數據分析需求

數據源 , 建模 , 數據 , 私藏項目實操分享 , 數據庫 , SQL Server

收藏 評論

u_15879876 頭像

Aloudata - AI 數據分析如何保障準確性？構建可信數據基礎成為關鍵

前言： 在數字化轉型浪潮中，企業數據分析決策的時效性與準確性已成為競爭勝負的關鍵。隨着“Data + AI”融合加深，ChatBI 產品爆發式增長。但在當前市場中，大多數 ChatBI 產品依賴大模型直接生成 SQL 的技術路徑（NL2SQL），普遍面臨“大模型幻覺”導致的數據不可信問題——模型可能生成與事實不符、計算邏輯矛盾、口徑不一致甚至完全虛構的數據結果，直接影響分析

大數據 , 數據 , 數據倉庫 , dataagent , 數據分析 , 智能問數 , chatbi

收藏 評論