从工厂到生活：算法 × 深度学习，正在改写自动化的底层逻辑
一.背景：
从工业革命时期的机械自动化，到信息时代的智能自动化，人类对自动化技术的追求从未停歇。近年来，随着物联网、大数据、云计算等技术的蓬勃发展，自动化系统的复杂度与智能化程度显著提升。算法与深度学习的深度介入，使得自动化设备不仅能够执行预设指令，更具备自主学习、智能决策的能力。这种变革正在重塑工业制造、交通运输、医疗健康等多个领域的生产与服务模式，成为推动社会经济发展的关键技术引擎。 在工业 4.0 与智能制造的大背景下，自动化设备需要处理海量且复杂的数据，传统的规则驱动型系统已难以满足需求。例如，在汽车生产线中，每分钟需要检测数百个零部件的尺寸与缺陷，人工设定的检测规则无法适应产品型号的快速迭代；而深度学习算法通过对大量图像数据的学习，能够自动识别复杂缺陷模式，将检测准确率提升至 99% 以上。此外，在智能交通领域，城市交通网络产生的动态数据规模庞大，依赖算法对交通流量进行实时预测与优化，才能有效缓解拥堵问题。
二、自动化应用中的经典算法
2.1 遗传算法（Genetic Algorithm, GA）
遗传算法源于达尔文生物进化论，通过模拟自然选择、遗传和变异过程，在解空间中进行全局搜索。其核心操作包括：
- 编码：将问题的解编码为「染色体」（如二进制串或实数向量）。例如，在旅行商问题（TSP）中，可以将城市访问顺序编码为一个整数序列；在参数优化问题中，常采用实数编码直接表示参数值。
- 选择：依据适应度函数筛选优秀个体。常见的选择策略包括轮盘赌选择、锦标赛选择等。轮盘赌选择根据个体适应度占种群总适应度的比例决定选择概率；锦标赛选择则通过随机选取一定数量个体进行竞争，胜者进入下一代。
- 交叉：模拟基因重组生成新个体。单点交叉、多点交叉和均匀交叉是常用的交叉方式。例如，单点交叉在染色体上随机选择一个交叉点，交换两个父代染色体在该点后的基因片段。
- 变异：随机改变基因片段以维持种群多样性。变异概率通常设置较低（如 0.01），避免破坏优秀个体，但可有效防止算法陷入局部最优。
典型应用：
- 生产调度优化：在汽车制造车间中，通过遗传算法优化生产线任务分配，缩短生产周期。某汽车厂商应用遗传算法对发动机装配线进行调度，将生产节拍从 120 秒降低至 95 秒，产能提升 20% 以上。
- 参数优化：调整机器人运动学参数，提升运动精度。例如，在工业机械臂的逆运动学求解中，遗传算法可优化关节角度参数，使末端执行器更精准地到达目标位置。
技术特点：
全局搜索能力强，适用于复杂非线性问题，尤其在解空间规模庞大、传统方法难以求解时优势明显。
对初始条件不敏感，但计算复杂度高，（N 为种群规模，T 为迭代次数，L 为染色体长度），随着问题规模增大，计算时间呈指数级增长。
易出现早熟收敛现象，即算法过早地陷入局部最优解，无法找到全局最优。通过调整交叉、变异概率和种群规模可在一定程度上缓解该问题。
2.2 蚁群算法（Ant Colony Optimization, ACO）
蚁群算法模拟蚂蚁通过信息素交流觅食的行为，其核心机制：
- 信息素更新：蚂蚁在路径上释放信息素，路径越短信息素浓度越高。信息素会随时间自然挥发，同时蚂蚁经过时会加强路径上的信息素。
- 状态转移概率：蚂蚁根据信息素浓度和启发式信息选择下一个节点。启发式信息通常与目标节点的距离相关，距离越近，选择概率越高。
- 正反馈机制：短路径上信息素积累更快，吸引更多蚂蚁，形成良性循环，最终收敛到最优路径。
应用案例：
- 物流配送路径规划：在电商仓储物流中，优化货车配送路线，降低运输成本。某物流企业应用蚁群算法对全国范围内的配送路线进行优化，使车辆行驶里程减少 15%，配送时效提升 10%。
- 机器人路径规划：在未知环境中引导无人机避开障碍物，规划最优航迹。例如，在森林火灾救援中，无人机利用蚁群算法实时规划避开浓烟和山体的路径，快速抵达着火点。
优缺点：
擅长处理动态环境和 NP 难问题，能够在环境变化时快速调整路径规划策略。
收敛速度较慢，尤其是在算法初期，信息素浓度较低，蚂蚁探索效率不高；且参数（如信息素挥发系数、启发式因子）需精细调整，否则可能影响算法性能。
技术特性：
算法结构简单，易于实现，无需复杂的数学推导和梯度计算。
收敛速度快，尤其在处理低维问题时，能够迅速找到较优解；但在高维问题中易陷入局部最优，需要结合多种策略（如动态调整惯性权重、引入多样性机制）进行改进。
三、深度学习在自动化领域的创新应用
3.1 深度学习基础架构解析
3.1.1 卷积神经网络（CNN）
CNN 通过卷积层、池化层和全连接层实现特征自动提取，核心组件：
- 卷积层：通过卷积核提取局部特征（如图像边缘、纹理）。卷积核在输入数据上滑动，通过卷积运算提取不同位置的特征，多个卷积核可提取多种类型的特征。例如，3×3 的卷积核可提取图像的局部细节，而 5×5 的卷积核则能捕捉更广泛的上下文信息。
- 池化层：降低数据维度，提升模型泛化能力。常见的池化方式有最大池化和平均池化。最大池化选取池化窗口内的最大值，保留显著特征；平均池化则计算窗口内的平均值，平滑数据。
- 反向传播：利用梯度下降优化网络参数。通过计算损失函数对网络参数的梯度，沿着梯度反方向更新参数，以最小化损失函数。
典型架构：
- LeNet：首个成功应用于手写数字识别的 CNN，包含卷积层、池化层和全连接层，奠定了 CNN 的基本结构。
- ResNet：引入残差连接解决深度网络梯度消失问题，使网络能够堆叠更多层，在图像分类、目标检测等任务中取得优异性能。例如，ResNet-50 在ImageNet 图像分类任务中准确率超过 90%。
3.1.2 循环神经网络（RNN）及其变体
RNN 通过隐藏层的自连接处理序列数据，但存在梯度消失 / 爆炸问题。LSTM 和 GRU 通过门控机制改进：
- LSTM：通过遗忘门、输入门、输出门控制信息流动。遗忘门决定上一时刻的哪些信息需要保留；输入门控制当前输入的哪些信息将被存储；输出门决定当前细胞状态的哪些信息将被输出。这种机制使 LSTM 能够有效处理长序列数据，如时间序列预测和自然语言处理。
- GRU：简化 LSTM 结构，将遗忘门和输入门合并为更新门，同时引入重置门，计算效率更高，在部分任务中性能与 LSTM 相当。
3.1.3 注意力机制与 Transformer
Transformer 基于注意力机制构建，解决长序列依赖问题，在自然语言处理领域取得突破性进展：
- 多头注意力：通过多个并行的注意力头从不同角度捕捉序列特征，每个头关注输入序列的不同部分，最后将结果拼接，增强模型对复杂关系的建模能力。
- 自注意力机制：计算序列内部元素关联度，使模型能够同时关注序列的不同位置，避免 RNN 顺序计算的局限性，尤其适用于长文本处理和机器翻译任务。例如，在机器翻译中，自注意力机制可直接建立源语言和目标语言之间的语义对应关系，提升翻译质量。
3.2 图像识别与处理应用
3.2.1 工业视觉检测
- 缺陷检测：
采用 Faster R-CNN 检测电路板焊接缺陷，准确率达 98%。Faster R-CNN 通过区域建议网络（RPN）生成候选区域，结合卷积神经网络进行特征提取和分类，能够快速定位并识别微小缺陷。 - 尺寸测量：
基于 YOLOv5 实现机械零件快速尺寸检测，检测速度提升 40%。YOLOv5 是一种单阶段目标检测算法，具有轻量化、高速度的特点，在工业生产线上可实时测量零件尺寸，确保产品质量。
3.2.2 智能监控系统
- 行为识别：利用
3D CNN 识别监控视频中的异常行为（如跌倒、徘徊）。3D CNN 在传统 2D CNN 基础上增加时间维度，能够捕捉视频中的时空特征，有效识别复杂行为模式。 - 目标跟踪：
DeepSORT 算法实现多目标实时跟踪。该算法结合了深度学习特征提取和传统的 SORT 跟踪算法，通过外观特征和运动信息对目标进行关联，在拥挤场景中也能准确跟踪多个目标。
3.3 自然语言处理应用
3.3.1 智能客服系统
- 意图识别：BERT 模型将用户问题分类准确率提升至 92%。BERT 基于 Transformer 架构，通过双向预训练学习文本的上下文语义信息，能够准确理解用户提问意图，如查询订单状态、投诉建议等。
- 对话生成：GPT 系列模型实现多轮对话交互。GPT 通过自回归方式生成文本，在大规模语料上训练后，可根据用户输入生成连贯、合理的回复，广泛应用于智能客服、聊天机器人等场景。
3.3.2 自动化文档处理
- 合同审查：通过 NLP 提取合同关键信息，效率提升 80%。利用命名实体识别（NER）、关系抽取等技术，自动提取合同中的当事人、金额、日期、违约责任等关键条款，减少人工审查时间。
- 文档摘要：基于 Transformer 生成新闻稿件摘要。通过编码器 - 解码器结构，模型能够理解文档核心内容，并生成简洁、准确的摘要，常用于新闻媒体、信息检索等领域。
3.4 自动化决策系统
3.4.1 金融风控
- 信用评估：LSTM 分析用户交易流水，预测违约概率。LSTM 能够捕捉时间序列中的长期依赖关系，通过学习用户历史交易数据的模式，评估其信用风险，为信贷决策提供依据。
- 市场预测：结合 Transformer 与强化学习预测股票价格走势。Transformer 处理市场新闻、财报等文本信息，强化学习根据市场反馈优化投资策略，实现对股票价格的动态预测和投资决策。
3.4.2 智能交通
- 交通流量预测：
时空图卷积网络（STGCN）预测路段车流量。STGCN 将交通网络建模为图结构，通过卷积操作同时学习空间上的路段关联和时间上的流量变化规律，预测准确率较传统方法提升 25%。 - 自动驾驶决策：端到端神经网络直接根据传感器数据输出驾驶指令。例如，Waymo 的自动驾驶系统通过训练大量实际驾驶场景数据，使神经网络能够基于摄像头、雷达等传感器输入，直接生成转向、加速、刹车等控制信号，实现安全驾驶。
四、算法与深度学习的融合实践
4.1 混合算法架构设计
- GA-CNN：
利用遗传算法优化 CNN 的网络结构和超参数。遗传算法通过进化搜索不同的卷积层数量、卷积核大小、池化方式等，自动找到最优的网络架构。例如，在图像分类任务中，GA-CNN 可将模型准确率提升 5%-8%。 - PSO-LSTM：
通过粒子群算法调整 LSTM 的学习率和权重初始化。PSO 能够快速搜索到最优的参数组合，避免 LSTM 陷入局部最优，在时间序列预测任务中显著提高预测精度。
4.2 典型应用案例
4.2.1 智能仓储系统
- 布局优化：遗传算法规划货架布局，提升仓储空间利用率。根据货物的出入库频率、尺寸等因素，遗传算法可生成最优的货架排列方案，某电商仓库应用该方法后，
空间利用率从 65% 提升至 82%。 - 库存管理：LSTM 预测商品需求，自动触发补货流程。通过分析历史销售数据，LSTM 能够预测未来商品销量，当库存低于阈值时，系统自动生成采购订单，降低缺货风险。
4.2.2 工业机器人控制
- 路径规划：蚁群算法规划机器人运动轨迹。在多机器人协作场景中，蚁群算法可协调多个机器人的路径，避免碰撞并优化作业顺序，提高生产效率。
- 姿态调整：CNN 识别工件位置，反馈至运动控制系统。机器人通过摄像头采集图像，CNN 实时识别工件姿态，调整末端执行器位置，实现高精度抓取和装配。
五、技术挑战与瓶颈
5.1 数据质量与可用性
- 数据标注难题：医疗影像标注需专业知识，人力成本高。例如，标注一张肺部 CT 影像中的病变区域，需要放射科医生花费 10-15 分钟，且不同医生标注结果可能存在差异，影响模型训练效果。
- 数据不平衡：故障数据样本稀缺，导致模型泛化能力不足。在工业设备故障诊断中，正常运行数据量大，而故障数据占比不足 1%，容易造成模型对故障模式的识别能力弱。
5.2 算法效率与实时性
- 深度学习计算资源需求：
训练 ResNet50 需消耗数百 GPU 小时。复杂的深度学习模型参数量庞大，训练过程需要强大的算力支持，限制了其在资源受限场景中的应用。 - 边缘设备部署限制：嵌入式系统算力不足，难以运行复杂模型。例如，智能摄像头等边缘设备通常配备低功耗芯片，无法满足高精度深度学习模型的实时推理需求。
5.3 模型安全与可解释性
- 对抗攻击风险：恶意输入可使图像识别模型误判。攻击者通过对图像添加微小扰动，可导致模型将熊猫误识别为长臂猿，威胁自动驾驶、安防监控等系统安全。
- 黑盒特性：医疗诊断场景中，模型决策过程难以解释。例如，深度学习模型诊断癌症时，无法清晰说明判断依据，导致医生和患者对模型结果缺乏信任。
六、未来走向
6.1 边缘智能与轻量化模型
- 模型压缩技术：
通过剪枝、量化将模型体积缩小 80%。剪枝去除模型中不重要的连接和参数，量化将高精度参数转换为低精度表示，在几乎不损失精度的情况下大幅降低模型存储和计算需求。 - 边缘计算框架：TensorFlow Lite 支持移动端高效推理。边缘计算框架允许深度学习模型在手机、智能家居设备等终端直接运行，减少数据传输延迟，保护用户隐私。
6.2 强化学习与自动化决策
- 动态环境适应：在智能电网中实时优化电力调度。强化学习智能体
通过与电网环境交互，学习不同负荷下的最优调度策略，平衡发电与用电需求，提升能源利用效率。 - 多智能体协同：
无人机集群通过强化学习实现协同作业。多个无人机组成智能体群体，通过通信和协作完成搜索、救援、巡检等复杂任务，如在森林火灾中协同定位火源并规划灭火路径。
6.3 多模态大模型
- 视觉 - 语言模型：
CLIP 实现图文跨模态检索。CLIP 通过对比学习训练图像和文本的联合表示，能够理解图像和文本之间的语义关联，支持 “以图搜文” 和 “以文搜图” 功能。 - 具身智能：
结合机器人感知与语言模型，实现复杂任务执行。例如，大语言模型与机器人传感器数据结合，使机器人能够理解自然语言指令，并在现实环境中完成 “找到桌子上的红色水杯并递给我” 等复杂操作。
七、总结
算法与深度学习的深度融合正在重塑自动化。过去，自动化靠固定程序完成简单任务，现在，算法和深度学习让机器像人一样 “思考” 和 “学习”。
相关文章：
从工厂到生活：算法 × 深度学习，正在改写自动化的底层逻辑
一.背景： 从工业革命时期的机械自动化，到信息时代的智能自动化，人类对自动化技术的追求从未停歇。近年来，随着物联网、大数据、云计算等技术的蓬勃发展，自动化系统的复杂度与智能化程度显著提升。算法与深度学习的深度…...
如何拿奖蓝桥杯
要在蓝桥杯中拿奖，可参考以下方法： 备赛规划方面 - 明确目标与计划：选择自己感兴趣或有基础的组别，了解比赛大纲和历年真题，制定包含基础语法学习、算法入门、真题训练等阶段的合理学习计划。 - 合理安排时间…...
【STM32单片机】#12 SPI通信（软件读写）
主要参考学习资料： B站江协科技 STM32入门教程-2023版 细致讲解 中文字幕 开发资料下载链接：https://pan.baidu.com/s/1h_UjuQKDX9IpP-U1Effbsw?pwddspb 单片机套装：STM32F103C8T6开发板单片机C6T6核心板 实验板最小系统板套件科协 目录 SPI…...
从请求到响应：初探spring web
引入： 首先小编想分享下一些开发小知识 2000年——手写servlet/JSP时代 在这个阶段中，那时候写后端代码，可谓是个麻烦事。 毕竟什么都要自己干 发来的请求都要写extends HttpServlet的类，手动在web.xml配置 <servlet>…...
【中间件】bthread_基础_TaskControl
TaskControl 1 Definition2 Introduce**核心职责** 3 成员解析**3.1 数据结构与线程管理****3.2 任务调度与负载均衡****3.3 线程停放与唤醒（ParkingLot）****3.4 统计与监控** 4 **工作流程**5 **设计亮点**6 **使用场景示例**7 **总结**8 学习过程中的疑…...
systemd和OpenSSH
1 systemd 1.1 配置文件 /etc/systemd/system /lib/systemd/system /run/systemd/system /usr/lib/systemd/user 1.2 commands systemctl list-unit-files | grep enable systemctl cat dlt-daemon.service systemctl cat dlt-system.service systemctl show dlt-daemon.ser…...
08 Python集合：数据 “去重神器” 和运算魔法
文章目录 一、Python 中的集合概述1. 集合的特性 二、集合的创建三、元素的遍历四、集合的运算1. 成员运算2. 二元运算3. 比较运算 五、集合的方法六、不可变集合 一、Python 中的集合概述 在 Python 里，集合（Set）是一种无序且元素唯一的数据…...
配置和使用基本存储
配置和使用基本存储 文章目录 配置和使用基本存储[toc]一、什么是卷？二、卷的类型三、使用EmptyDir卷存储数据1.了解EmptyDir卷2.测试EmptyDir卷的使用 四、使用HostPath卷挂载宿主机文件1.了解HostPath卷2.测试HostPath卷的使用 五、使用NFS卷挂载NFS共享目录1.准备…...
win11 终端 安装ffmpeg 使用终端Scoop
1、安装scoop (Windows 包管理器) Set-ExecutionPolicy RemoteSigned -Scope CurrentUser iwr -useb get.scoop.sh | iex 2、使用scoop来安装ffmpeg scoop install ffmpeg 3、测试一下ffmpeg，将Mp3文件转为Wav文件 ffmpeg -i A.mp3 A.wav 然后我们就看到A.wav生成…...
navicat中导出数据表结构并在word更改为三线表（适用于navicat导不出doc）
SELECTCOLUMN_NAME 列名,COLUMN_TYPE 数据类型,DATA_TYPE 字段类型,IS_NULLABLE 是否为空,COLUMN_DEFAULT 默认值,COLUMN_COMMENT 备注 FROMINFORMATION_SCHEMA.COLUMNS WHEREtable_schema db_animal（数据库名） AND table_name activity（…...
Azure Monitor 实战指南：全方位监控应用与基础设施
Azure Monitor 是 Azure 云原生的统一监控解决方案，能够实时追踪应用性能、基础设施健康状态及日志数据。本文将通过 实战步骤 演示如何利用 Azure Monitor 监控 GPT-4 服务、虚拟机、存储等资源，并结合自动化告警和日志分析，构建企业级监控体系。 1. Azure Monitor 核心功能…...
【人工智能】释放本地AI潜能：LM Studio用户脚本自动化DeepSeek的实战指南
《Python OpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门！ 解锁Python编程的无限可能：《奇妙的Python》带你漫游代码世界 随着大型语言模型（LLM）的快速发展，DeepSeek以其高效的性能和开源特性成为开发者关注的焦点。LM Studio作为一款强大的本地AI模型管理工具…...
智能体-CyberTask Orchestrator设计概要（V4.1超长版）
智能体-CyberTask Orchestrator设计概要（V4.0超长版） 一、深度演进背景与战略定位（核心篇幅拓展至2187字） （本段新增行业趋势与技术必要性论证） 1.1 全球网络安全威胁态势分析（2023-2025&…...
C# 面向对象实例演示
C# 面向对象编程实例演示 一、基础概念回顾 面向对象编程(OOP)的四大基本特性： 封装 - 将数据和操作数据的方法绑定在一起继承 - 创建新类时重用现有类的属性和方法多态 - 同一操作作用于不同对象产生不同结果抽象 - 简化复杂系…...
软件产品测试报告：如何全面评估及保障软件质量？
软件产品测试报告可以对软件产品质量做全面评估，还能够把评估结果展示出来，它依靠一系列测试手段和数据分析，能为产品的完善以及决策提供重要依据。下面从不同方面展开说明。 测试目的 开展本次软件产品测试，主要目的有三个。一…...
leetcode42-接雨水
leetcode 42 思路 本题使用 单调栈 来计算每个位置能够接住的雨水量 理解问题 题目要求计算一系列柱子之间可以接住的雨水量。输入是一个数组，每个元素代表柱子的高度。输出是一个整数，表示能够接住的水量。 找到边界条件 什么情况下可以接住雨水…...
普通IT的股票交易成长史--20250430晚
声明：本文章的内容只是自己学习的总结，不构成投资建议。文中观点基本来自yt站Andylee，美股Alpha姐，综合自己的观点得出。感谢他们的无私分享。 送给自己的话： 仓位就是生命，绝对不能满仓！&…...
Elastic Security 8.18 和 9.0 中的新功能
作者：来自 Elastic Mark Settle, Tamarian Del Conte, James Spiteri, Tinsae Erkailo, Charles Davison, Raquel Tabuyo, Kseniia Ignatovych, Paul Ewing, Smriti 检测规则的自动迁移、用于 ES|QL 的 Lookup Join、AI 功能增强，以及更多功能。 Elasti…...
使用 Vue 开发 VS Code 插件前端页面（上）
本文的方案主要参考了这篇博客： Vscode 的 extension webview 开发示例： Vue 和 React 实现 https://juejin.cn/post/7325132202970136585样例项目地址： github | vscode-webview-with-vuehttps://github.com/HiMeditator/vscode-webview-w…...
Vue Router路由原理
Vue Router 是 Vue.js 官方的路由管理器，它与 Vue.js 核心深度集成，使得构建单页应用（SPA）变得非常容易。Vue Router 的主要功能包括动态路由匹配、嵌套路由、编程式导航、命名路由、路由守卫等 Vue Router 原理 单页应用&#x…...
Tauri v1 与 v2 配置对比
本文档对比 Tauri v1 和 v2 版本的配置结构和内容差异，帮助开发者了解版本变更并进行迁移。 配置结构变化 v1 配置结构 {"package": { ... },"tauri": { "allowlist": { ... },"bundle": { ... },"security":…...
详解 MyBatis-Plus 框架中 QueryWrapper 类
QueryWrapper 一、 QueryWrapper 的概念为什么需要 QueryWrapper？ 二、 QueryWrapper 的基本使用1. 创建 QueryWrapper 实例2. 添加查询条件3. 执行查询 三、 QueryWrapper 的常见方法1. 基本条件方法1.1 eq - 等于1.2 ne - 不等于1.3 gt - 大于1.4 ge - 大于等于1.…...
小米MiMo-7B大模型：解锁推理潜力的新传奇！
在大语言模型（LLMs）蓬勃发展的时代，推理能力成为衡量模型优劣的关键指标。今天为大家解读的这篇论文，介绍了小米的MiMo-7B模型，它通过独特的预训练和后训练优化，展现出强大的推理实力，快来一探究…...
)
联邦学习的收敛性分析(全设备参与，不同本地训练轮次)
联邦学习的收敛性分析 在联邦学习中，我们的目标是分析全局模型的收敛性，考虑设备异构性（不同用户的本地训练轮次不同）和数据异质性（用户数据分布不均匀）。以下推导从全局模型更新开始，逐步引入假设并推导期望损失的递减关系，最终给出收敛性结论。 1. 全局模型更新与泰…...
硬件工程师面试常见问题（10）
第四十六问：锁存器，触发器，寄存器三者的区别 触发器：能够存储一位二值信号的基本单元电路统称为 "触发器"。（单位） 锁存器：一位触发器只能传送或存储一位数据，而在实际工…...
1295. 统计位数为偶数的数字
题目 解法一 遍历数组挨个判断元素位数并统计（我的第一想法） class Solution { public:int findNumbers(vector<int>& nums) {int result 0;for(int n: nums){if(judge(n)) result;}return result;}bool judge(int a){int sum 1;a a / 10…...
3.1/Q1，Charls最新文章解读
文章题目：Social participation patterns and associations with subsequent cognitive function in older adults with cognitive impairment: a latent class analysis DOI：10.3389/fmed.2025.1493359 中文标题：认知障碍老年人的社会参与模…...
楼宇智能化四章【期末复习】
四、火灾自动报警系统 结构组成：火灾探测器、区域报警器、集中报警器 形式：1. 多线制系统 2.总线制系统 3.集中智能系统 4.分布智能系统 5.网络通信系统 工作原理： 以下是关于火灾自动报警系统及相关灭火系统的详细解答： 1. 火灾自动报警系统有哪几种形式？ 区…...
Splunk 使用Role 实现数据隔离
很多人知道 Splunk 有很多自带的Role, 今天我就要说说定制化的Role: 1: 在创建新role 的界面: 2: 在如下的界面，可以定制allow index name： 3： 创建好新Role 后，在SAML 添加新的group 的时候，就可以看到Role 给某个group： 4： 这样一个特定组的人来申请Splunk 权限，就可…...
Learning vtkjs之ImplicitBoolean
隐式函数布尔操作 介绍 vtkImplicitBoolean 允许对隐式函数（如平面、球体、圆柱体和盒子）进行布尔组合。操作包括并集、交集和差集。可以指定多个隐式函数（所有函数都使用相同的操作进行组合）。 支持的操作：‘UNION…...
LabelVision - yolo可视化标注工具
LabelVision是一款可视化图像标注工具,主要用于计算机视觉研究中的各种标注任务。 支持多边形、矩形、圆形等多种标注方式，并且可以输出JSON、COCO等多种数据格式，方便与其他软件和框架进行集成和互操作。 通过它可以很轻易的对图像进行标注,适合Y…...
系统分析师-第十五章
学习目标 通过参加考试，训练学习能力，而非单纯以拿证为目的。 1.在复习过程中，训练快速阅读能力、掌握三遍读书法、运用番茄工作法。 2.从底层逻辑角度理解知识点，避免死记硬背。 3.通过考试验证学习效果。 学习阶段 快速阅读 …...
大连理工大学选修课——机器学习笔记（3）：KNN原理及应用
KNN原理及应用 机器学习方法的分类 基于概率统计的方法 K-近邻（KNN）贝叶斯模型最小均值距离最大熵模型条件随机场（CRF）隐马尔可夫模型（HMM） 基于判别式的方法 决策树（DT）感知机…...
09 Python字典揭秘：数据的高效存储
文章目录 一.字典是什么1.字典的特点 二.字典的创建和使用三.字典的操作1.访问元素2.修改元素3.删除元素4.遍历字典5.成员运算 四.字典方法1.获取字典中的指定元素2.获取字典中的元素3.字典合并4.删除元素 一.字典是什么 在 Python 中，字典（dict&#x…...
20250430在ubuntu14.04.6系统上完成编译NanoPi NEO开发板的FriendlyCore系统【严重不推荐，属于没苦硬吃】
【开始编译SDK之前需要更新源】 rootrootubuntu:~/friendlywrt-h3$ sudo apt update 【这两个目录你在ubuntu14.04.6系统上貌似git clone异常了】 Y:\friendlywrt-h3\out\wireguard Y:\friendlywrt-h3\kernel\exfat-nofuse 【需要单线程编译文件系统，原因不明】 Y:…...
第五部分：进阶项目实战
在前面的学习中，我们已经掌握了图像和视频的基础操作、增强滤波、特征提取以及一些基础的目标检测方法。现在，我们将综合运用这些知识来构建一些更复杂、更实用的应用项目。 这一部分的项目将结合前面学到的技术，并介绍一些新的概念和工具&a…...
【Linux】记录一个有用PS1
PS1 是用来定义shell提示符的环境变量 下面是一个带有颜色和丰富信息的 Linux PS1 配置示例，包含用户名、主机名、路径、时间、Git 分支和退出状态提示： # 添加到 ~/.bashrc 文件末尾 PS1\[\e[1;32m\]\u\[\e[m\] # 绿色粗体用户名 PS…...
【SpringBoot】基于mybatisPlus的博客管理系统（2）
目录 1.实现用户登录 Jwt令牌 1.引入依赖 2.生成令牌（token） Controller Service Mapper 2.实现强制登录 定义拦截器： 配置拦截器： 1.实现用户登录 在之前的项目登录中，我使用的是Session传递用户信息实现校验…...
免费在Colab运行Qwen3-0.6B——轻量高性能实战
Qwen一直在默默地接连推出新模型。 每个模型都配备了如此强大的功能和高度量化的规模，让人无法忽视。 继今年的QvQ、Qwen2.5-VL和Qwen2.5-Omni之后，Qwen团队现在发布了他们最新的模型系列——Qwen3。 这次他们不是发布一个而是发布了八个不同的模型——参数范围从6亿到235…...
精益数据分析（35/26）：SaaS商业模式关键指标解析
精益数据分析（35/26）：SaaS商业模式关键指标解析 在创业与数据分析的征程中，我们持续探索不同商业模式的运营奥秘。今天，我们带着共同进步的期望，深入研读《精益数据分析》，聚焦SaaS商业模式&am…...
【论文速读】《Scaling Scaling Laws with Board Games》
论文链接：https://arxiv.org/pdf/2104.03113 《Scaling Scaling Laws with Board Games》：探索棋盘游戏中的扩展规律 摘要 如今，机器学习领域中规模最大的实验所需的资源，超出了仅有几家机构的预算。幸运的是，最近的…...
C++ 与多技术融合的深度实践：从 AI 到硬件的全栈协同
在数字化技术高速发展的今天，C 凭借其卓越的性能优势和底层控制能力，成为连接上层应用与底层硬件的核心纽带。这种独特定位使其在与 AI 深度学习、Python 生态及硬件加速技术的融合中展现出不可替代的价值，构建起从算法实现到硬件优化的全栈技…...
AdaBoost算法的原理及Python实现
一、概述 AdaBoost（Adaptive Boosting，自适应提升）是一种迭代式的集成学习算法，通过不断调整样本权重，提升弱学习器性能，最终集成为一个强学习器。它继承了 Boosting 的基本思想和关键机制，但在…...
无刷马达驱动芯片算法逐步革新着风扇灯行业--其利天下
风扇灯市场热度持续攀升，根据行业数据，风扇灯市场规模从2010年的100亿元增长至2019年的200亿元，年均复合增长率超10%，预计2025年将达30%，借此其利天下有限公司进一步提升了无刷风扇灯驱动方案。 一、性能参数 电压&a…...
数据库系统综合应用与深度实践指南
前言 在当今数据驱动的时代，数据库技术已成为信息系统的核心支柱。从简单的数据存储到复杂的企业级应用，数据库系统支撑着现代社会的方方面面。本文作为一篇综合性的数据库科普文章，旨在为读者提供从基础到进阶的完整知识体系，涵…...
「Unity3D」TextMeshPro使用TMP_InputField实现，输入框高度自动扩展与收缩
先看实现效果： 要实现这个效果，有三个方面的问题需要解决： 第一，输入框的高度扩展，内部子元素会随着锚点，拉伸变形——要解决这个问题，需要将内部元素改变父类，然后增加父类高度&am…...
SAP-ABAP：在SAP系统中，COEP表（成本控制对象行项目表）详解
在SAP系统中，**COEP表（成本控制对象行项目表）**是成本控制（CO）模块的核心数据表之一，主要用于存储与成本核算相关的详细行项目数据。以下是对其作用的详细解析： 一、 COEP表的核心作用 存储成本…...
crashpad 编译
一环境配置 1.1设置系统UTF8编码 1.2vs2017语言环境设置英文包 二.获取depot_tools（此步骤可以跳过 最新工具包已上传下载使用即可） windows下载压缩包，然后放到系统PATH中 下载完以后，基本就是靠depot_tools这个工具集合了&am…...
Windows系统安装Docker（Win10系统升级，然后安装）
有时需要在自己笔记本跑下代码，所以安装Dockers，步骤如下： 1. 升级系统（Windows10专业版或者Windows11） Windows10家庭版装Docker较麻烦，所以我将Win10升级为Win11了（免费）&#x…...
【Fifty Project - D21】
今日完成记录 TimePlan完成情况9：00 - 10：00爬楼梯√12：00 - 14：00Leetcode√14：00 - 15：00《挪威的森林》√ Leetcode 每日一题 今天的每日一题是个easy：给定一个数组，要求统计…...