【大语言模型DeepSeek+ChatGPT+GIS+Python】AI大语言模型驱动的地质灾害全流程智能防治：风险评估、易发性分析与灾后重建多技术融合应用
地质灾害是指全球地壳自然地质演化过程中，由于地球内动力、外动力或者人为地质动力作用下导致的自然地质和人类的自然灾害突发事件。在降水、地震等自然诱因的作用下，地质灾害在全球范围内频繁发生。我国不仅常见滑坡灾害，还包括崩塌、泥石流、地面沉降等多种类型，具有类型多样、分布广泛、危害性大的特点。
为了更科学有效地评估地质灾害发生的可能性与严重程度，地质灾害危险性评价技术正不断发展。危险性评价着重于分析多种致灾因子和区域特性，根据某个区域的地形、地质条件等因素，预测灾害的发生概率与分布特征。当前，传统的地质灾害评价模型（如信息量法、多因子加权分析等）仍在广泛应用，但随着大语言模型（如DeepSeek、ChatGPT）与GIS技术的结合，这一领域迎来了全新的智能化解决方案。引入DeepSeek、ChatGPT技术，将其与GIS、Python和机器学习深度融合。DeepSeek、GPT可辅助快速处理致灾因子数据、生成分析脚本、优化危险性评价模型，并自动生成灾害分布解读与灾后重建方案。内容涵盖从ArcGIS入门到高阶模型优化的全流程，通过项目实践和智能化工具应用，帮助大家全面掌握地质灾害风险评价方法，并提升在科研与实际应用中的智能分析与解决能力。
第一章、DeepSeek、ChatGPT大语言模型提示词与地质灾害基础【基础实践篇】
1、什么是大模型？
大模型（Large Language Model, LLM）是一种基于深度学习技术的大规模自然语言处理模型。
代表性大模型：GPT-4、BERT、T5、ChatGPT 等。
特点：
多任务能力：可以完成文本生成、分类、翻译、问答等任务。
上下文理解：能理解复杂的上下文信息。
广泛适配性：适合科研、教育、行业等多领域应用。
2、高效提示词设计
什么是提示词？
提示词（Prompt）是向大模型输入的文字说明，用于引导其生成期望的输出。
提示词的设计原则
明确性：清晰表达任务需求。
分步骤：将复杂任务分解为多个简单任务。
加入约束：限制输出格式、字数等。
提示词优化示例
不明确的提示词
优化后的提示词
3、基本概念
地质灾害类型
地质灾害发育特征与分布规律
地质灾害危害特征
地质灾害孕灾地质条件分析
地质灾害诱发因素与形成机理
4、GIS原理与ArcGIS平台介绍
GIS简介
ArcGIS基础
空间数据采集与组织
空间参考
空间数据的转换与处理
ArcGIS中的数据编辑
地理数据的可视化表达
空间分析：
数字地形分析
叠置分析
距离制图
密度制图
统计分析
重分类
三维分析
5、Python编译环境配置
Python自带编辑器IDLE使用
Anaconda集成环境安装及使用
PyCharm环境安装及使用
6、地质灾害领域中大模型的潜力
风险评估：快速处理和分析地质灾害相关的文本数据（如灾害报告、新闻）。
知识提取：从历史文献中提取风险评价参数。
数据管理：辅助生成元数据描述，提升数据库建设效率。
灾后重建：协助生成重建方案和应急对策建议。
第二章、空间信息数据库建设【基础实践篇】
空间数据库建立及应用
1）地质灾害风险调查评价成果信息化技术相关要求解读
2）数学基础设计
比例尺；坐标系类型：地理坐标系，投影坐标系；椭球参数；投影类型；坐标单位；投影带类型等。
3）数据库内容及要素分层
图层划分原则；图层划分及命名；图层内部属性表
4）数据库建立及入库
创建数据库、要素集、要素类、栅格数据和关系表等。
矢量数据（shp文件）入库
Table表入库：将崩塌、滑坡、泥石流等表的属性数据与灾害点图层关联。
栅格数据入库
栅格数据集入库：遥感影像数据、DEM、坡度图、坡向图、降雨量等值线图以及其他经过空间分析得到的各种栅格图像入库。
5）数据质量控制
利用Topology工具检查点线面及其之间的拓扑关系并修改；图属一致性检查与修改。
第三章、DeepSeek、ChatGPT支持下地质灾害风险评价模型与方法【实战篇】
1、地质灾害易发性评价模型与方法
评价单元确定
易发性评价指标体系
易发性评价模型
权重的确定
2、滑坡易发性评价
评价指标体系
地形：高程、坡度、沟壑密度、地势起伏度等。
地貌：地貌单元、微地貌形态、总体地势等。
地层岩性：岩性特征、岩层厚度、岩石成因类型等
地质构造：断层、褶皱、节理裂隙等。
地震：烈度、动峰值加速度、历史地震活动情况等
工程地质：区域地壳稳定性，基岩埋深，主要持力层岩性、承载力、岩土体工程地质分区等。
常用指标提取
坡度、坡型、高程、地形起伏度、断裂带距离、工程地质岩组、斜坡结构、植被覆盖度、与水系距离等因子提取
DeepSeek、ChatGPT支持：
自动提取指标的定义及适用场景。
建议新增或调整指标，根据区域特点生成个性化的指标体系。
指标因子相关性分析
（1）相关性系数计算与分析
（2）共线性诊断
评价指标信息量
评价指标权重确定
DeepSeek、ChatGPT支持：
自动生成AHP法的权重计算表格
提供数据的统计分析代码
使用机器学习方法计算特征权重
滑坡易发性评价结果分析与制图
滑坡易发性综合指数
易发性等级划分
易发性评价结果制图分析
2、崩塌易发性评价
3、泥石流易发性评价
泥石流评价单元提取
水文分析，沟域提取
无洼地DEM生成
水流方向提取
汇流累积量
水流长度
河网提取
流域分割
沟壑密度计算
模型构建器
水文分析工具箱制作
泥石流评价指标
崩滑严重性、泥沙沿程补给长度比、沟口泥石流堆积活动、沟谷纵坡降、区域构造影响程度、流域植被覆盖度、工程地质岩组、沿沟松散堆积物储量、流域面积、流域相对高差、河沟堵塞程度等
典型泥石流评价指标选取
评价因子权重确定
泥石流易发性评价结果分析与制图
泥石流易发性综合指数计算
泥石流的易发性分级确定
泥石流易发性评价结果
4、地质灾害易发性综合评价
综合地质灾害易发值=MAX [泥石流灾害易发值，崩塌灾害易发值，滑坡灾害易发值]
第四章、DeepSeek、ChatGPT支持下地质灾害风险性、易损性、易发性评价【实战篇】
1、地质灾害风险性评价
2、地质灾害危险性评价
危险性评价因子选取
在某种诱发因素作用下，一定区域内某一时间段发生特定规模和类型地质灾害的可能性。
区域构造复杂程度，活动断裂发育程度，地震活动等都可能诱发地质灾害；强降雨的诱发，灾害发生的频率、规模也会增强地质灾害发生的机率。
危险性评价因子量化
崩滑危险性因子量化
统计各级范围内的灾害个数及面积，利用信息量计算方法到各级的信息量值。
泥石流危险性评价因子权重
危险性评价与结果分析
3、地质灾害易损性评价
地质灾害易损性因子分析
人口易损性
房屋建筑易损性
农业易损性
林业易损性
畜牧业易损性
道路交通易损性
水域易损性
人口易损性评价因子提取
人口密度数据处理
用人口密度数据来量化人口易损性，基于各行政单元统计年鉴获取的人口数量，结合房屋建筑区数据，量化人口的空间分布，基于GIS的网格分析，得到单位面积上的人口数量即人口密度。
易损性赋值
人口易损性因子提取
建筑易损性评价
建筑区密度数据处理
用房屋建筑区密度数据来量化房屋建筑易损性，利用房屋建筑区数据，基于GIS的网格分析，得到单位面积上的房屋建筑区面积，即房屋建筑区密度。
易损性赋值
建筑物易损性因子提取
交通设施易损性评价
道路数据的获取
用 ArcGIS 缓冲分析功能，形成道路的面文件
不同类型的道路进行赋值
道路易损分布结果分析
综合易损性评价
综合易损性叠加权重
综合易损性评价结果提取与分析
4、地质灾害风险评价结果提取与分析
5、AI辅助文本生成与总结
自动化报告生成：由ChatGPT生成分析报告。
结果描述：结合分析结果，自动生成易发性、危险性及综合风险分布的说明文字。
直观的地图注释：为GIS地图的各个风险区域生成精准且简洁的描述性文本。
报告模板创建：帮助生成地质灾害评估报告的结构化框架。
地质灾害危险性评价报告
1. 引言
区域概述：描述分析区域。
数据来源：包括DEM、遥感影像、历史灾害数据。
2. 方法与模型
使用的空间分析方法及模型说明。
3. 结果
危险性分布图说明。
高危险区、中危险区、低危险区的面积统计。
4. 结论与建议
主要发现：如某区域是滑坡的高危险区。
防灾减灾措施建议。
6、GPT在地质灾害易发性评价中的优势
快速分析：高效生成脚本或报告框架，简化重复劳动。
智能建议：根据已有数据，推荐合适的模型和评价指标。
动态优化：结合交互式建议，优化评价流程和结果。
可视化支持：结合GIS工具生成易发性分布图的说明和自动注释。
第五章、基于DeepSeek、ChatGPT、Python数据预处理与分析【进阶篇】
1、数据类型介绍
2、点数据获取与处理
灾害点统计数据获取与处理
气象站点数据获取与处理
气象站点点位数据处理
气象数据获取
数据整理
探索性分析
数据插值分析
3、矢量数据的获取与处理
道路、断层、水系等矢量数据的获取
欧氏距离
核密度分析
河网密度分析
4、栅格数据获取与处理
DEM，遥感影像等栅格数据获取
影像拼接、裁剪、掩膜等处理
NoData值处理
如何统一行列号
5、NC数据获取与处理
NC数据简介
NC数据获取
模型构建器
NC数据如何转TIF？
6、遥感云计算平台数据获取与处理
遥感云平台数据简介
如何从云平台获取数据？
数据上传与下载
基本函数简介
植被指数提取
土地利用数据获取
7、Python数据清洗
Python库简介与安装
读取数据
统一行列数
缺失值处理
相关性分析/共线性分析
主成分分析法（PCA）降维
数据标准化
生成特征集
8、AI支持数据处理与分析
任务支持
数据格式转换：ChatGPT可以生成指导如何在ArcGIS中进行数据格式转换的代码或脚本。
数据清理：使用ChatGPT生成Python代码，处理ArcGIS无法直接清理的复杂数据问题。
自动化分析：利用GPT进行数据总结和分析报告生成。
应用场景
数据分布解读：从空间数据中提取有意义的空间关系。
提供脚本：ChatGPT可以帮助编写用于ArcGIS的Python脚本（如arcpy）以提高效率。
第六章、DeepSeek、ChatGPT、GIS在灾后重建过程中的应用【拓展篇】
1、土方纵坡分析
由等高线产生不规则三角网
计算工程填挖方
利用二维线要素纵剖面
临时生成剖纵面线
2、应急救援路径规划分析
表面分析、成本权重距离、栅格数据距离制图等空间分析；
利用专题地图制图基本方法，制作四川省茂县地质灾害应急救援路线图，
最佳路径的提取与分析
3、灾害恢复重建选址分析
确定选址的影响因子
确定每种影响因子的权重
收集并处理每种影响因子的数据：地形分析、距离制图分析，重分类
恢复重建选址分析
4、震后生态环境变化分析
使用该类软件强大的数据采集、数据处理、数据存储与管理、空间查询与空间分析、可视化等功能进行生态环境变化评价。
5、AI智能问答与辅助决策
空间分析指导：用户可以咨询ChatGPT完成复杂空间分析（如插值分析、缓冲区分析）。
创建危险性分析脚本
import arcpy
# 定义输入数据路径
input_data = "path/to/landslide_data.shp"
output_analysis = "path/to/landslide_risk.gdb"
# 创建缓冲区分析
arcpy.Buffer_analysis(input_data, output_analysis, "500 Meters")
# 脚本描述
description = "为滑坡点创建500米缓冲区分析，并保存结果至指定的地理数据库。"
实时辅助：为GIS用户提供操作步骤或技术建议。
第七章、基于DeepSeek、ChatGPT与Python机器学习在滑坡易发性分析、地质灾害预测中的应用【高阶篇】
1、Python数据清洗
Python库简介与安装
读取数据
统一行列数
缺失值处理
相关性分析/共线性分析
主成分分析法（PCA）降维
数据标准化
生成特征集
相关概念：
训练前是否有必要对特征归一化
为什么要处理缺失值（Nan值）
输入的特征间相关性过高会有什么影响
什么是训练集、测试集和验证集；为什么要如此划分
超参数是什么
什么是过拟合，如何避免这种现象
模型介绍：
逻辑回归模型
随机森林模型
支持向量机模型
实现方案：
一、线性概率模型——逻辑回归
介绍
连接函数的选取：Sigmoid函数
致灾因子数据集：数据介绍；相关性分析；逻辑回归模型预测；样本精度分析；分类混淆矩阵
注意事项
二、SVM支持向量机
线性分类器
SVM-核方法：核方法介绍；sklearn的SVM核方法
参量优化与调整
SVM数据集：支持向量机模型预测；样本精度分析；分类混淆矩阵
三、Random Forest的Python实现
数据集
数据的随机选取
待选特征的随机选取
相关概念解释
参量优化与调整：随机森林决策树深度调参；CV交叉验证定义；混淆矩阵；样本精度分析
基于pandas和scikit-learn实现Random Forest：数据介绍；随机森林模型预测；样本精度分析；分类混淆矩阵
四、XGBoost（Extreme Gradient Boosting）
XGBoost 是一种基于决策树的梯度提升算法。它通过连续地训练决策树模型来最小化损失函数，从而逐步提升模型性能
数据划分：
将数据集划分为训练集和测试集，采用随机划分或按时间序列划分的方法。
特征工程
对数据进行特征工程，包括特征缩放、特征变换、特征组合等。
构建模型
选择合适的模型参数，如树的数量、树的深度、学习率等。
模型优化：
通过交叉验证来调整模型参数，以提高模型的泛化能力。
模型训练
使用训练集对 XGBoost 模型进行训练。
通过迭代优化损失函数来提高模型性能。
模型评估
使用测试集对训练好的模型进行评估。
使用一些常见的评估指标，如准确率、召回率、F1 分数等。
绘制 ROC 曲线或者计算 AUC 值来评估模型的性能。
结果解释与应用：
对模型的预测结果进行解释，分析模型的重要特征和决策规则。
五、神经网络模型
TensorFlow主要架构
神经网络：ANN\CNN\RNN
导入数据集
分割数据集
定义网络架构
调用tf.keras.models.Sequential()或tf.keras.layers.Layer()创建模型
Sequential: 将多个网络层封装，按顺序堆叠神经网络层
Dense: 全连接层
activation: 激活函数决定神经元是否应该被激活
编译模型
通过compile 函数指定网络使用的优化器对象、 损失函数类型， 评价指标等设定
优化器（optimizer）：运行梯度下降的组件
损失（loss）：优化的指标
评估指标（metrics）：在训练过程进行评估的附加评估函数，以进一步查看有关模型性能
训练模型
通过 fit()函数送入待训练的数据集和验证用的数据集，返回训练过程中的损失值和指定的度量指标的变化情况，用于后续的可视化和模型性能评估。
循环迭代数据集多个 Epoch，每次按批产生训练数据、 前向计算，然后通过损失函数计算误差值，并反向传播自动计算梯度、 更新网络参数
评估模型
Model.evaluate()测试模型的性能指标
模型预测
Model.predict(x)方法即可完成模型的预测
参数优化
六、集成学习方法
stacking集成算法
准备数据集：
将数据集分为训练集和测试集。
创建基本模型：
选择多个不同类型的基本模型，如决策树、随机森林、支持向量机、神经网络等。
使用训练集对每个基本模型进行训练
生成基本模型的预测结果
使用训练集对每个基本模型进行预测
对于分类问题，每个模型都会生成一个概率矩阵，每一列代表一个类别的预测概率；对于回归问题，每个模型会生成一个预测值向量。
构建元模型：
将基本模型的预测结果作为新的特征，构建一个元模型。
元模型可以是任何机器学习模型，通常选择简单的模型如逻辑回归、线性回归或者简单的决策树。
使用元模型进行预测
将测试集输入到每个基本模型中，得到预测结果。
将基本模型的预测结果输入到元模型中进行最终的预测。
Blending融合
准备数据集：
训练集
验证集
测试集
创建基本模型：
选择多个不同类型的基本模型，如决策树、随机森林、支持向量机、神经网络等。
使用训练集对每个基本模型进行训练。
生成基本模型的预测结果：
使用训练集对每个基本模型进行预测。
对于分类问题，每个模型会生成一个概率矩阵，每一列代表一个类别的预测概率；
对于回归问题，每个模型会生成一个预测值向量。
创建元模型：
将基本模型的预测结果作为输入特征，结合验证集的真实标签，训练一个元模型。
元模型可以是任何机器学习模型
使用元模型进行预测：
将测试集输入到每个基本模型中，得到它们的预测结果。
将这些基本模型的预测结果作为输入，输入到元模型中进行最终的预测。
四、方法比较分析
模型性能评估：K 折交叉验证的方法
精度分析：accuracy；precision；recall；F1-score，AUC
结果对比分析
五、AI辅助模型训练与预测
生成机器学习代码：ChatGPT可以生成用于训练和部署地质灾害预测模型的代码，例如基于滑坡易发性评价指标的随机森林或逻辑回归。
结果解释：结合GIS中的地理数据，提供模型预测的解释性分析。
AI增强的空间分析：利用ChatGPT解释ArcGIS生成的模型数据（如危险性分布图）。
代码优化：通过ChatGPT优化地质灾害预测的模型代码。
第八章、DeepSeek、ChatGPT在SCI论文撰写中的应用
1、论文写作要点分析
利用ChatGPT和相关AI工具分别梳理 AI 技术、GIS 在地质灾害防治领域的国内外研究进展，指出当前研究的不足，如数据融合不充分、模型精度待提高等，明确本研究的切入点。
2、论文投稿技巧分析
3、论文案例分析
4、ChatGPT在SCI论文撰写中的应用
引言和综述
快速整理和总结大量文献。
自动生成研究背景和意义描述。
数据分析与方法描述
提供代码模板完成数据分析。
帮助编写复杂方法的通俗化描述。
语言润色
检查语法、拼写和语句流畅性。
改进句式表达，使其更符合学术风格。
结果与讨论
自动生成结果描述和数据解释。
提供与现有研究对比的论述建议。
参考文献管理
根据引用文献快速生成APA、MLA等格式的参考文献。
辅助检索相关研究文献。
相关文章：
【大语言模型DeepSeek+ChatGPT+GIS+Python】AI大语言模型驱动的地质灾害全流程智能防治：风险评估、易发性分析与灾后重建多技术融合应用
地质灾害是指全球地壳自然地质演化过程中，由于地球内动力、外动力或者人为地质动力作用下导致的自然地质和人类的自然灾害突发事件。在降水、地震等自然诱因的作用下，地质灾害在全球范围内频繁发生。我国不仅常见滑坡灾害，还包括崩塌、泥石流…...
第十六届蓝桥杯 2025 C/C++组 25之和
目录 题目： 题目描述： 题目链接： 思路： 思路详解： 代码： 代码详解： 题目： 题目描述： 题目链接： P12339 [蓝桥杯 2025 省 B/Python B 第二场] 25 之和…...
万界星空科技QMS质量管理系统几大核心功能详解
QMS质量管理系统（Quality Management System）是一款专为现代企业设计的、全面且高效的质量管理工具，融合了现代质量管理理念与前沿的信息技术，旨在帮助企业构建完善的质量管理体系，确保产品和服务质量。以下为你详细介…...
SSR同构渲染深度解析
同构渲染（Isomorphic Rendering）是SSR（服务器端渲染）的核心概念，指同一套代码既能在服务器端运行，也能在客户端运行。下面我将从原理到实践全面介绍SSR同构渲染。 一、同构渲染核心原理 1. 基本工作流程 …...
【论文阅读/复现】RT-DETR的网络结构/训练/推理/验证/导出模型
利用ultralytics仓库，复现RT-DETR官方实验环境。 使用基于ResNet50和ResNet101的RT-DETR。 目录 一 RT-DETR的网络结构 1 编码器结构 2 RT-DETR 3 CCFF中的融合块 4 实验结果 二 RT-DETR的安装/训练/推理/验证/导出模型 1 安装 2 配置文件 3 训练 4 推理 …...
KUKA机器人关机时冷启动介绍
KUKA机器人在正常关机时，可以从示教器上操作。在示教器上操作时需要选择“冷启动”方式关闭计算机。等示教器屏幕关闭之后，再把主开关旋钮关闭。 一、先登录【管理员】权限，再在【主菜单】下选择【关机】。 二、在关机的默认中，…...
MCP Java SDK 介绍与使用指南
MCP与MCP Java SDK 概念 MCP 是什么？ 模型上下文协议（Model Context Protocol, MCP）是用于标准化AI模型与工具间通信的规范。通过定义通用接口，确保不同AI组件（如模型推理服务、工具插件）能无缝协作。MCP …...
【Java核心】一文理解Java面向对象（超级详细！）
一：概述 1.1Java类及类的成员 属性、方法、构造器、代码块、内部类 1.2 面向对象的特征 封装、继承、多态（抽象） 1.3 其它关键字的使用 This、super、package、import、static、final、interface、abstract 1.4 面向对象和面向过程 &…...
2025年DDoS攻击防御全解析：应对超大流量的实战策略
一、2025年DDoS攻击的新趋势 超大规模攻击常态化：攻击流量突破300Gbps，部分案例甚至达到T级规模，传统单点防御已无法应对。 混合攻击模式盛行：攻击者结合应用层（HTTP Flood、CC攻击）与网络层（U…...
【动态导通电阻】 GaN PiN二极管电导调制对动态 RON 的影响
2020 年，浙江大学电气工程学院的Shaowen Han等人采用实验研究的方法，对垂直 GaN-on-GaN PiN 二极管中电导调制的瞬态行为及其对动态导通电阻（RON）的影响进行了深入探究。他们基于高质量的 GaN 基板开发的垂直 GaN-on-GaN 功率器件具有高电流容量和高击穿电压等优势，而与间…...
第十六届蓝桥杯 2025 C/C++B组第一轮省赛 全部题解（未完结）
目录 前言： 试题A：移动距离 试题C：可分解的正整数 试题D：产值调整 试题E：画展布置 前言： 我参加的是第一轮省赛，说实话第一次参加还是比较紧张的，真到考场上看啥都想打暴力&…...
MySQL 实战 45 讲 笔记 ----来源《极客时间》
01 | 基础架构：一条SQL查询语句是如何执行的？ 1. MySQL 可以分为 Server层 和 存储引擎层 两部分。Server 层包括连接器、查询缓存、分析器、优化器、执行器等。存储引擎层支持 InnoDB、MyISAM等. (1) 连接器：管理连接，权限认证…...
海思SD3403边缘计算AI核心设备概述
1、海思SD3403边缘计算AI设备4TOPS算力（SD3403模组） 2、AI训练服务器 (≥60TOPS算力 INT8 算力越高AI训练速度越快） 3、普通监控IPC摄像机（低成本，批量化安装项目） 4、AI数据标定工作终端 (≥10TOPS算力 IN…...
算法设计：回溯法的基础原理与应用
目录 一、基本概念 二、适用问题 三、基本步骤 四、算法模式 递归回溯算法模式（求一个解） 非递归回溯算法模式（求一个解） 非递归回溯算法模式（求所有解） 五、经典应用 1数字组合问题 2数字排列问题…...
PyTorch 深度学习实战（23）：多任务强化学习（Multi-Task RL）之扩展
之前的PyTorch 深度学习实战（23）：多任务强化学习（Multi-Task RL)总结扩展运用代码如下： import torch import torch.nn as nn import torch.optim as optim import numpy as np from torch.distributions import Norm…...
音视频开发---视频编码基础
一、视频编码的必要性 1. 存储与传输成本高 未经编码压缩的原始视频的数据量极大，例如：一般电影的亮度信号采样频率为13.5MHz；色度信号的频带通常为亮度信号的一半或更少，为6.75MHz或3.375MHz。以4：2：2的采样频率为例，Y信号采用13.5MHz，色度信号U和V采用6.75MHz采样，…...
深入蜂窝物联网 第四章 Cat-1 与 5G RedCap：带宽、低时延与未来趋势
1. 前言与应用场景 随着物联网对带宽与时延的需求不断增长，LTE Cat-1 和 5G RedCap（Reduced Capability）应运而生： Cat-1：在传统 LTE 网络上提供最高 10 Mbps 下行、5 Mbps 上行，兼容性佳； 5G RedCap：在 5G NSA/SA 网络中提供 1–20 Mbps，时延可降至 10 ms 级，且模组…...
FPGA 39 ，FPGA 网络通信协议栈进阶，RGMII、ARP 与 UDP 协议与模块设计（ RGMII、ARP、UDP原理与模块设计 ）
目录 目录 一、核心原理 1.1 RGMII 接口：高效数据传输的物理桥梁 1.2 ARP 协议：IP 与 MAC 地址的动态映射引擎 1.3 UDP 协议：轻量级数据传输的高效选择 1.4 FPGA 实现流程 二、时序约束 2.1 时序约束理论…...
《系统分析师-第三阶段—总结（七）》
背景 采用三遍读书法进行阅读，此阶段是第三遍。 过程 本篇总结第13章第14章的内容 第13章 第14章 总结 系统设计分为概要设计与详细设计，然后重点讲解了处理流程设计，输入输出原型设计，面向对象设计、人机交互设计࿱…...
Lightroom 2025手机版：专业编辑，轻松上手
在摄影和图像编辑的世界里，Adobe Lightroom一直是一个不可或缺的工具。无论是专业摄影师还是摄影爱好者，都依赖它来提升照片的质量和视觉效果。今天，我们要介绍的 Lightroom 2025手机版，是Adobe公司为移动设备量身定制的照片编辑器…...
Cursor：AI时代的智能编辑器
在开发者社区掀起热潮的Cursor，正以破竹之势重塑编程工具格局。这款基于VS Code的AI优先编辑器，不仅延续了经典IDE的稳定基因，更通过深度集成的智能能力，将开发效率推向全新维度。2023年Anysphere公司获得的6000万美元A轮融资&…...
x86架构-k8s设置openebs的hostpath作为默认存储类的部署记录
文章目录 前言一、openebs是什么？二、准备步骤1.下载yaml文件2.准备一个新的单点k8s用于测试2.将openebs-operator.yaml中的镜像修改成使用国内加速源的 三、执行yaml1.openebs-operator.yaml2.local-hostpath-pvc.yaml和local-hostpath-pod.yaml 四、关于默认存储路…...
废品回收小程序：全链路数字化解决方案，赋能绿色未来
用户端：一键触达，便捷回收新体验 废品百科与估价指南：分类标准与实时价格一目了然，用户轻松掌握废品价值。一键预约，轻松回收：指尖轻点即可完成预约，上门服务省时省力。精准定位，导…...
Kotlin和JavaScript的对比
Kotlin和JavaScript有一些相似之处，但也存在显著的差异，下面从多个方面为你详细分析： 相似点 1. 语法灵活性 变量声明：二者在变量声明上都较为灵活。在JavaScript里，借助var、let和const可以声明变量。其中…...
蓝桥杯 5. 拼数
拼数 原题目链接 题目描述 给定 n 个正整数 a1, a2, …, an，你可以将它们任意排序。 现要将这 n 个数字连接成一排，即令相邻数字收尾相接，组成一个数。 问，这个数最大可以是多少。 输入格式 第一行输入一个正整数 n&#x…...
 四十四、(2024 TGRS) FEM 特征增强模块)
(即插即用模块-特征处理部分) 四十四、(2024 TGRS) FEM 特征增强模块
文章目录 1、Feature Enhancement Module2、代码实现 paper：FFCA-YOLO for Small Object Detection in Remote Sensing Images Code：https://github.com/yemu1138178251/FFCA-YOLO 1、Feature Enhancement Module 遥感图像中，小目标的特征通…...
“情况说明“以后，Unity XR 开发者如何选择？
Unity自4月7日发布了一系列“情况说明”，点进来的朋友应该都是看过的，此处不再赘述。此后引发了开发者社区的广泛关注和讨论。作为细分领域的XR开发者，此时也会面临着工具和版本的抉择或迷茫。笔者同样面临这些问题，因为要确定未来…...
c#版yolo可视化标注和一键免环境训练系统0429更新介绍
yolo免环境一键训练工具c#版yolo标注工具 ## 更新日志 - 2025.4.1： 1、软件上线 - 2025.4.6 1、调整界面，修复用户在1920*1080不能全部显示问题 2、修复 刷新当前目录 无法加载新增图片问题 3、新增 下一张图片快捷键 Enter或者ctrl↓&…...
Leetcode 3533. Concatenated Divisibility
Leetcode 3533. Concatenated Divisibility 1. 解题思路2. 代码实现 题目链接：3533. Concatenated Divisibility 1. 解题思路 这一题的话事实上如果我们原始的数组有序排列一下，然后依次考察每个元素是否可以被选用，此时，我们得…...
CosyVoice、F5-TTS、GPT-SoVITS、Fish-Speech声音模型项目深度对比：选型指南
在数字人、虚拟助手、智能客服等应用快速发展的背景下，文本转语音（TTS）和语音克隆技术已成为AI领域的核心技术之一。本文将对目前主流的四个开源语音合成项目——CosyVoice、F5-TTS、GPT-SoVITS 和 Fish-Speech进行全方位对比分析，…...
什么是DNS缓存？怎么清理DNS缓存？
在网络世界中，当我们输入一个网址想要访问某个网站时，计算机并不能直接识别“www.example.com”这样的网址，而是需要将其转换为对应的IP地址才能进行通信。这个转换过程由域名系统（DomainNameSystem，简称DNS࿰…...
基于STM32、HAL库的ATECC508A安全验证及加密芯片驱动程序设计
一、简介： ATECC508A是Microchip公司生产的一款加密认证芯片，提供以下主要特性： 基于硬件的ECDSA (Elliptic Curve Digital Signature Algorithm) 加密 支持SHA-256哈希算法 内置真随机数生成器(TRNG) 16个密钥存储槽位，可配置多种用途 支持I2C接口，最高1MHz时钟频率 超低…...
初中九年级学生体测准考证照片采集软件使用说明
随着中考体育测试的临近，各校陆续开始组织学生进行准考证照片、中考报名照片的采集工作。为方便学校集中采集和学生自主完成照片拍摄，本文将详细介绍使用"校园证件照采集平台"进行手机拍照线上采集的操作方法，帮助学校轻松完成体测…...
提供一些其他常见的字符串处理算法的Java示例
以下为你提供几种常见字符串处理算法的 Java 示例： 1. 字符串反转 反转字符串即把字符串中的字符顺序颠倒。 public class RemoveSpaces {public static String removeSpaces(String str) {return str.replaceAll("\\s", "");}public static…...
软件设计师-软考知识复习（2）
PERT图详解 PERT（Program Evaluation and Review Technique，计划评审技术）是一种用于项目管理的图形化工具，主要用于分析任务的时间安排、识别关键路径和优化资源分配。它特别适用于复杂项目，其中任务之间存在依赖关系…...
Qwen3快速部署 Qwen3-0.6B、Qwen3-8B、Qwen3-14B，Think Deeper
文章目录 0 Qwen31 平台与环境安装1 模型下载2 模型测试 0 Qwen3 今天，通义千问Qwen团队正式开源推出 Qwen3，这是 Qwen 系列大型语言模型的最新成员。最新的Qwen3系列模型具备双模推理能力（深入思考/快速响应）、支持119种语言及方…...
【C到Java的深度跃迁：从指针到对象，从过程到生态】第四模块·Java特性专精 —— 第十七章 IO流：超越FILE*的维度战争
一、从C文件操作到Java流的进化 1.1 C文件操作的原始挑战 C语言通过FILE*和低级文件描述符进行I/O操作，存在诸多限制： 典型文件复制代码： #include <stdio.h> int copy_file(const char* src, const char* dst) { FILE* in fope…...
Leetcode刷题记录22——滑动窗口最大值
题源：https://leetcode.cn/problems/sliding-window-maximum/description/?envTypestudy-plan-v2&envIdtop-100-liked 题目描述： 思路一： 暴力遍历法，通过一个长度为k的滑动窗口遍历nums，将其中最大的数依次记…...
React 第三十四节 Router 开发中 useLocation Hook 的用法以及案例详解
一、useLocation基础用法 作用：获取当前路由的 location 对象 返回对象结构： {pathname: "/about", // 当前路径search: "?namejohn", // 查询参数（URL参数）hash: "#contact", …...
BT134-ASEMI机器人功率器件专用BT134
编辑：LL BT134-ASEMI机器人功率器件专用BT134 型号：BT134 品牌：ASEMI 封装：TO-126 批号：最新 引脚数量：3 封装尺寸：如图 特性：双向可控硅 工作结温：-40℃~150℃…...
十五种光电器件综合对比——《器件手册--光电器件》
十五、光电器件 名称 原理 特点 应用 发光二极管（LED） 基于半导体材料的电致发光效应，当电流通过时，电子与空穴复合，释放出光子。 高效、节能、寿命长、响应速度快、体积小。 广泛用于指示灯、照明、显示&#…...
网络安全攻防演练实训室建设方案
一、引言 在数字化浪潮席卷全球的当下，网络已深度融入社会的各个层面，成为推动经济发展、社会进步和科技创新的关键力量。从日常生活中的移动支付、社交互动，到企业运营中的数据管理、业务拓展，再到国家关键基础设施的运行&#…...
极客天成受邀参加2050大会，共赴人工智能科技盛宴
2025年4月25日，备受瞩目的2050大会在杭州云栖小镇盛大开幕。作为科技领域的佼佼者，北京极客天成科技有限公司受邀参加了此次盛会，与全球科技爱好者共同探索科技的未来。 大会盛况空前，科技盛宴开启 2050大会是由杭州市云栖科技创…...
GUI_DrawPixel 函数详解
GUI_DrawPixel 是嵌入式GUI库中的基础像素绘制函数，用于在指定坐标绘制单个像素点。下面我将详细介绍这个函数的功能、实现和使用方法。 1. 函数功能 在显示屏的指定位置(x,y)绘制一个像素点 使用当前设定的颜色进行绘制 是构建所有高级图形（线、圆、…...
AWS MSK 集群升级前配置检查:保障升级平稳进行的关键步骤
在 AWS Managed Streaming for Apache Kafka (MSK) 集群升级之前,进行全面的配置检查至关重要。本文将介绍一个用于 MSK 升级前配置检查的 Bash 脚本,帮助您识别潜在的风险点,确保升级过程的顺利进行。 为什么需要升级前检查? AWS MSK 提供了自动升级功能,但在升级过程中,不…...
leetcode 2516. 每种字符至少取 K 个
题目描述 滑动窗口问题 可以转化为求按照题目要求从两端取走字符后，中间部分的最大长度。中间部分就是一个滑动窗口。 class Solution { public:int takeCharacters(string s, int k) {vector<int> count(3,0);int n s.size();for(int i 0;i <n;i){cou…...
通信原理第七版与第六版区别附pdf
介绍 我用夸克网盘分享了「通信原理 第7版》樊昌信」，链接：https://pan.quark.cn/s/be7c5af4cdce 《通信原理（第7版）》是在第6版的基础上，为了适应当前通信技术发展和教学需求，并吸取了数十所院校教师的反…...
CPU 空转解析
在编程中，“避免 CPU 空转” 指的是防止程序在等待某个条件满足时，无意义地消耗 CPU 资源。以下是对这一问题的详细解释： 1. 什么是 CPU 空转？ 当代码中出现类似以下逻辑时： while not condition_met: # 循环检查条…...
云蝠智能大模型智能呼叫：赋能零售行业服务，助力客户增长
在数字化浪潮席卷全球的今天，零售行业正面临前所未有的变革压力。消费者需求日益个性化、市场竞争愈发激烈，传统的人工客服模式已难以满足企业对高效触达、精准营销和极致体验的需求。而云蝠智能大模型智能呼叫系统，凭借其突破性的AI技术和深…...
Consul安装部署（Windows环境）
部署资料链接：https://download.csdn.net/download/ly1h1/90722829 1.下载 Consul 1.访问 Consul 官方下载页面：Install | Consul | HashiCorp Developer 2.选择适合 Windows 的版本（如 consul_1.16.1_windows_amd64.zipÿ…...