ciscoair-lap1131ag-c-k9瘦AP转胖AP固件c1130-k9w7-tar.124-10b.JDA3.tar
2023/8/19 1:05:22
5.32MB
1
更新内容： 1、解决开启WDS桥接前端AP无线信号时，无线网卡与该设备连接不稳定的问题；
2、修复系统日志部分内容显示异常的问题；
支持的产品型号：TL-WR845N无线路由器V4.0版。
2、修复系统日志部分内容显示异常的问题；
支持的产品型号：TL-WR845N无线路由器V4.0版。
2023/8/17 1:36:26
853KB
1
完整工程文件，包含ESP8266代码，网页，图片等。
ESP8266处于AP模式，是用本身闪存存储网页内容，用户通过其IP地址进入网页，实现对ESP8266引脚控制、引脚状态获取、PWM控制、点灯等功能。
ESP8266处于AP模式，是用本身闪存存储网页内容，用户通过其IP地址进入网页，实现对ESP8266引脚控制、引脚状态获取、PWM控制、点灯等功能。
2023/8/11 9:22:14
29KB
1
googleEfficientDet算法中文版paper.将高效网络骨架与我们提出的BiFPN和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP来获得更好的精度。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
2023/7/30 7:35:17
559KB
1
基于wifi指纹的室内定位，使用knn算法实现。
数据集来自六个ap的信号强度，最终的定位准确度可以达到接近于60%，具体的代码实现和算法说明以及系统的优缺点在论文中有详细阐述。
数据集来自六个ap的信号强度，最终的定位准确度可以达到接近于60%，具体的代码实现和算法说明以及系统的优缺点在论文中有详细阐述。
2023/7/27 12:39:14
3.33MB
1
已知A点温湿度为（ta，φa），求露点温度td和含湿量da解：因为log〖P_s〗=4.3066-1790/(t_s+238)公式一所以t_d=1790/(4,3066-logP_sd)-238公式二又因为d=622*(φ_sP_s)/(B-φ_sP_s)=622*(φ_aP_sa)/(B-φ_aP_sa)=622*(φ_dP_sd)/(B-φ_dP_sd)公式三所以当φ_d=95%时，此时P_sd=1/0.95φ_aP_sa；
取x=1/0.95，得出公式t_d=1790(t_a+238)/(1790-(t_a+238)lg〖（x+φ_a）〗_)-238公式四d_a=622*(φ_aP_sa)/(B-φ_aP_sa)公式五（可由公式二推出P_sa）备注：td露点温度，单位为摄氏度；
Ps为空气饱和压力，单位为MPa；
取x=1/0.95，得出公式t_d=1790(t_a+238)/(1790-(t_a+238)lg〖（x+φ_a）〗_)-238公式四d_a=622*(φ_aP_sa)/(B-φ_aP_sa)公式五（可由公式二推出P_sa）备注：td露点温度，单位为摄氏度；
Ps为空气饱和压力，单位为MPa；
2023/7/26 13:10:41
184KB
1
流式计算主要针对unboundeddata（无界数据流）进行实时的计算，将计算结果快速的输出或者修正。
这部分将分为三个小节来介绍。
第一，介绍大数据系统发展史，包括初始的批处理到现在比较成熟的流计算；
第二，为大家简单对比下批处理和流处理的区别；
第三，介绍流式计算里面的关键问题，这是每个优秀的流式计算引擎所必须面临的问题。
上图是2003年到2018年大数据系统的发展史，看看是怎么一步步走到流式计算的。
2003年，Google的MapReduce横空出世，通过经典的Map&Reduce定义和系统容错等保障来方便处理各种大数据。
很快就到了Hadoop，被认为是开源版的MapReduce，带动了整个ap
这部分将分为三个小节来介绍。
第一，介绍大数据系统发展史，包括初始的批处理到现在比较成熟的流计算；
第二，为大家简单对比下批处理和流处理的区别；
第三，介绍流式计算里面的关键问题，这是每个优秀的流式计算引擎所必须面临的问题。
上图是2003年到2018年大数据系统的发展史，看看是怎么一步步走到流式计算的。
2003年，Google的MapReduce横空出世，通过经典的Map&Reduce定义和系统容错等保障来方便处理各种大数据。
很快就到了Hadoop，被认为是开源版的MapReduce，带动了整个ap
2023/7/16 22:52:42
448KB
1
一、RIL3二、Telephony中多卡及多运营商设计区分61.telephony中的多卡71)AP区分多卡72)modem区分多卡122.telephony中的多运营商设计14三、Telephony中AIDL模式设计15四、Telephony中观察者模式设计16五、TelephonyRegistry监听模式设计201.概述202.以状态栏信号更新为例分析注册和更新过程【YETIM-1107】201).注册过程212).RIL上报监听回调更新过程23六、ServiceStateTracker/DcTracker/CallTracke27七、Telephony分析案例之检测不到SIM卡27八、手机驻网过程modemlog29
2023/7/8 5:06:10
1.3MB
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