沥青混合料裂纹发展过程的颗粒数值模仿，为了在细观尺度下描述沥青混合料的裂纹发展行为，运用离散元程序PFC2D内置“Fish”语言，重构了沥青混合料非均质(集料、胶浆和空隙)多层次(矿料级配)结构虚拟试件
2023/2/19 7:05:07
4.27MB
1
这本书主要是讲述如何通过偏微分方程的方法爱处理图像处理的问题,包含图像去燥,图像分割,图像配准,图像重构的方法,如果想加深一下数学的,可以带走,材料还不错的,带走吧
2023/2/15 23:22:28
25.27MB
1
前段时间公司项目打算重构，准确来说应该是按之前的产品逻辑重写一个项目??。
在重构项目之前涉及到架构选型的问题，我和组里小伙伴一起研究了一下组件化架构，打算将项目重构为组件化架构。
当然不是直接拿来照搬，还是要根据公司具体的业务需求设计架构。
在学习组件化架构的过程中，从很多高质量的博客中学到不少东西，例如蘑菇街李忠、casatwy、bang的博客。
在学习过程中也遇到一些问题，在微博和QQ上和一些做iOS的朋友进行了交流，非常感谢这些朋友的协助。
本篇文章主要针对于之前蘑菇街提出的组件化方案，以及casatwy提出的组件化方案进行分析，后面还会简单提到滴滴、淘宝、微信的组件化架构，最后会简单说一下我公
在重构项目之前涉及到架构选型的问题，我和组里小伙伴一起研究了一下组件化架构，打算将项目重构为组件化架构。
当然不是直接拿来照搬，还是要根据公司具体的业务需求设计架构。
在学习组件化架构的过程中，从很多高质量的博客中学到不少东西，例如蘑菇街李忠、casatwy、bang的博客。
在学习过程中也遇到一些问题，在微博和QQ上和一些做iOS的朋友进行了交流，非常感谢这些朋友的协助。
本篇文章主要针对于之前蘑菇街提出的组件化方案，以及casatwy提出的组件化方案进行分析，后面还会简单提到滴滴、淘宝、微信的组件化架构，最后会简单说一下我公
2023/2/14 10:43:57
653KB
1
计算机视觉的基本问题是：根据若干幅世界景物的图像求得对真是世界景物结构的理解。
本书处理这个基本问题所采用的技术源于射影几何和摄影测量学。
其与众不同的特色是采用未标定的方法——不需要知道或不必计算摄像机内部参数就能得到问题的答案。
本书以一个统一的框架，对近期关于景物重构的理论和实现两方面的主要发展做了详细的介绍。
本书涵盖了摄像机投影矩阵、基本矩阵和三焦点张量的集合原理和它们的代数表达。
在讨论这些有关的理论和计算方法时都配有实际的例子，如它们在由多幅图像进行景物重构中的应用。
作者提供了综合性的背景材料，读者只要熟悉线性代数和基本的数值方法就能够理解书中给出的射影几何和估计算法，并能直接依据本书来实现有关算法。
本书处理这个基本问题所采用的技术源于射影几何和摄影测量学。
其与众不同的特色是采用未标定的方法——不需要知道或不必计算摄像机内部参数就能得到问题的答案。
本书以一个统一的框架，对近期关于景物重构的理论和实现两方面的主要发展做了详细的介绍。
本书涵盖了摄像机投影矩阵、基本矩阵和三焦点张量的集合原理和它们的代数表达。
在讨论这些有关的理论和计算方法时都配有实际的例子，如它们在由多幅图像进行景物重构中的应用。
作者提供了综合性的背景材料，读者只要熟悉线性代数和基本的数值方法就能够理解书中给出的射影几何和估计算法，并能直接依据本书来实现有关算法。
2023/2/11 14:02:07
108.35MB
1
新浪微博在2014年3月公布的月活跃用户（MAU）已经达到1.43亿，2014年新年第一分钟发送的微博达808298条，如此巨大的用户规模和业务量，需要高可用（HA）、高并发访问、低延时的强大后台系统支撑。
微博平台第一代架构为LAMP架构，数据库使用的是MyIsam，后台用的是php，缓存为Memcache。
随着应用规模的增长，衍生出的第二代架构对业务功能进行了模块化、服务化和组件化，后台系统从php替换为Java，逐渐构成SOA架构，在很长一段时间支撑了微博平台的业务发展。
在此基础上又经过长时间的重构、线上运行、思索与沉淀，平台构成了第三代架构体系。
我们先看一张微博的核心业务图（如下），是不
微博平台第一代架构为LAMP架构，数据库使用的是MyIsam，后台用的是php，缓存为Memcache。
随着应用规模的增长，衍生出的第二代架构对业务功能进行了模块化、服务化和组件化，后台系统从php替换为Java，逐渐构成SOA架构，在很长一段时间支撑了微博平台的业务发展。
在此基础上又经过长时间的重构、线上运行、思索与沉淀，平台构成了第三代架构体系。
我们先看一张微博的核心业务图（如下），是不
2023/2/4 14:24:07
284KB
1
针对论文：基于ＶＭＤ的故障特征信号提取方法，本人对论文中的仿真信号部分进行了复现，首先产生仿真信号；
其次，利用VMD对信号进行分解，运用陈列熵确定含高噪分量，然后对低噪分量进行重构；
最后，将重构的信号进行分解，发现分量与最初的原始仿真信号基本一致。
说明去噪效果较好。
其次，利用VMD对信号进行分解，运用陈列熵确定含高噪分量，然后对低噪分量进行重构；
最后，将重构的信号进行分解，发现分量与最初的原始仿真信号基本一致。
说明去噪效果较好。
2023/1/31 22:04:01
2.94MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB