微机原理与接口技术实验一、实验目的该实验使用了8259A，ADC0809，数码管来完成一个数据采集系统的设计，目的是了解中断方式的A/D采集数据的实现方法，掌握硬件设计和中断程序的编写方法，是对学生综合实验能力的训练。
二、实验内容使用ADC0809的通道0，接入0-5V的直流电压，用WR调整模拟电压值，A/D的转换结束信号EOC接在8259A的MIR5上，采集100个数据并存入内存中，同时将采集的16进制数据显示在数码管上。
请多次调整0-5V的电压值（旋动W1旋钮），进行A/D采集，并观测内存中的数据的变化情况。
三、实验现象每次采集的100个数据可能是相同的（数码管的数据也可能不变），当WR旋动时可以采到不同的数据。
实验系统已经连接了8259A的片选信号，只要将ADC0809片选信号0809CS插孔和译码输出200H-20FH插孔相连，ADC0809的0通道接到旋钮WR上即可。
数码管的片选信号有学生自定。
五、实验编程提示实验平台的监控系统已经对8259A初始化，你只要设置中断向量，开中断，检测采样次数就可以了。
第1次启动A/D的工作要在主程序里做（否则不能进入中断服务程序），中断服务程序里要采集数据、存储数据、并启动下一次A/D转换，同时记着要发中断结束命令。
二、实验内容使用ADC0809的通道0，接入0-5V的直流电压，用WR调整模拟电压值，A/D的转换结束信号EOC接在8259A的MIR5上，采集100个数据并存入内存中，同时将采集的16进制数据显示在数码管上。
请多次调整0-5V的电压值（旋动W1旋钮），进行A/D采集，并观测内存中的数据的变化情况。
三、实验现象每次采集的100个数据可能是相同的（数码管的数据也可能不变），当WR旋动时可以采到不同的数据。
实验系统已经连接了8259A的片选信号，只要将ADC0809片选信号0809CS插孔和译码输出200H-20FH插孔相连，ADC0809的0通道接到旋钮WR上即可。
数码管的片选信号有学生自定。
五、实验编程提示实验平台的监控系统已经对8259A初始化，你只要设置中断向量，开中断，检测采样次数就可以了。
第1次启动A/D的工作要在主程序里做（否则不能进入中断服务程序），中断服务程序里要采集数据、存储数据、并启动下一次A/D转换，同时记着要发中断结束命令。
2023/11/11 10:53:29
2KB
1
yoloV4网络下的COCO数据集预训练权重文件，正确率很高，可以作为迁移学习的先导权重文件，可以省去很多的训练事件。
2023/11/11 6:08:11
246.73MB
1
将训练数据的ppm格式转换为png格式。
由于压缩后仍大于220MB，故先上传0-30类。
改成积分为5，不知道为什么它的积分总是在变化呢。
由于压缩后仍大于220MB，故先上传0-30类。
改成积分为5，不知道为什么它的积分总是在变化呢。
2023/11/10 23:45:51
172.45MB
1
中文文本分类语料（复旦）-训练集和测试集这个链接是训练集，本语料库由复旦大学李荣陆提供。
test_corpus为测试语料，共9833篇文档；
train_corpus为训练语料，共9804篇文档，两个预料各分为20个相同类别。
训练语料和测试语料基本按照1:1的比例来划分。
使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。
文件较大，下载时请耐心等待。
test_corpus为测试语料，共9833篇文档；
train_corpus为训练语料，共9804篇文档，两个预料各分为20个相同类别。
训练语料和测试语料基本按照1:1的比例来划分。
使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。
文件较大，下载时请耐心等待。
2023/11/10 13:33:38
101.81MB
1
注意力不集中现象在儿童中比较普遍，目前，国内外存在的注意力训练方法有纸质量表、行为观察、生物反馈、计算机辅助训练等方式。
这些方法无法便捷实现大量人群的训练和训练结果的持续有效追踪。
而对儿童进行注意力训练提高他们的注意力水平。
本设计以移动终端的触摸屏操作代替传统的纸笔训练，借助阿里云数据的分布式存储，实现高可用，高性能，可弹性伸缩的目标，免去数据库安全和运维烦恼，借助微信公众平台实现训练结果的一站式追踪。
这种B/S模型为注意力训练提供持久的服务支持，帮助提高儿童的注意力。
通过功能测试和性能测试，验证了该设计的方便操作和可维护性。
这些方法无法便捷实现大量人群的训练和训练结果的持续有效追踪。
而对儿童进行注意力训练提高他们的注意力水平。
本设计以移动终端的触摸屏操作代替传统的纸笔训练，借助阿里云数据的分布式存储，实现高可用，高性能，可弹性伸缩的目标，免去数据库安全和运维烦恼，借助微信公众平台实现训练结果的一站式追踪。
这种B/S模型为注意力训练提供持久的服务支持，帮助提高儿童的注意力。
通过功能测试和性能测试，验证了该设计的方便操作和可维护性。
2023/11/8 14:24:47
755KB
1
实现文本分类的主要包括几个步骤文本分词处理，特征选择，特征权重计算，文本特征向量表示，基于训练文本的特征向量数据训练SVM模型，对于测试集进行特征向量表示代入训练得到的svm模型中进行预测分类，达到93%的准确率
2023/11/8 2:28:34
26.06MB
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