基于UWB超宽带的煤矿定位系统设计-论文

针对煤矿现有人员定位系统定位精度较低的现状，设计了基于UWB超宽带技术的高精度人员定位系统，分析了系统的定位原理，以stm32和QW1000模块为主体进行了定位基站和定位标签硬件电路设计，并编制了相应执行程序；系统联调测试效果良好，定位精度在750px内，完全可满足煤矿场景高精度定位的需求。

基于概率约束的轴桥车削参数优化-论文

针对轴桥车削时变形大的问题,分别提出相应的工艺改进及加工参数优化策略:通过增加平衡配重减小离心力对车削变形的影响;通过基于概率约束的优化算法选择最优的车削参数,实现车削过程的高效性以及车削精度的可靠性。构建以车削效率为目标的轴桥车削参数优化模型。为充分考虑车削参数的随机变化,以车削变形量小于给定值的概率作为约束。为降低概率约束模型的计算成本,采用基于平移传播的拉丁超立方采样方法确定车削速度、背吃刀量与进给量的参数组合,并通过有限元仿真得出各组参数对应的变形值,进而构建车削变形的克里金模型,在失效概率计算及优化求解过程中直接调用该近似模型。通过对概率约束模型最优点处的参数组合进行试验,验证了本文提出的方法可在轴桥允许变形范围内有效提升车削效率。

美国查塔努加市共享单车骑行数据数据集

美国查塔努加市（Chattanooga ）共享单车骑行数据，包括：注册性别、使用次数、骑行时间、骑行时长、起点和终点经纬度坐标等属性。

煤矿装备维护知识图谱构建及应用-论文

利用大数据管理系统对煤矿装备维护信息进行管理缺乏对煤矿装备维护知识的表示能力，没有形成相对完整的煤矿装备维护知识管理体系，无法实现知识挖掘及知识间关系链接，导致大量具有深度挖掘价值的信息不能得到有效利用。针对上述问题，构建了煤矿装备维护知识图谱。首先通过定义煤矿装备维护的关键概念、关系及属性，进行基于本体的知识建模；然后从结构化、半结构化和非结构化数据源中获取知识，通过命名实体识别、关系抽取及事件抽取完成煤矿装备维护知识抽取；最后利用图数据库Neo4j存储煤矿装备维护知识，形成煤矿装备维护知识图谱。煤矿装备维护知识图谱在智能语义搜索、智能问答及可视化决策支持等方面的应用可提高煤矿装备维护知识管理效率，为煤矿装备智能化动态管理的实现提供有力支持。

leetcode怎么配置环境变量-codewars-may:为MayCodeWars提供挑战描述

leetcode怎么配置环境变量代码战挑战 VM 登录命令： ssh -i <private> admin@<vm> 例如：ssh -i team-1 admin@35.222.181.98 如果您的团队是第一个解决挑战的人，您可以获得 5 分奖励积分！ 单词搜索拼图 潜力点：完全完成单词搜索拼图的 10 分。 说明：按照此链接访问单词搜索挑战并选择“开始”。 如何验证/提交：截取您完成的单词搜索拼图并将图片发送到您团队的分组聊天中，让我们知道您已完成。 Neuralink 琐事测验 潜在分数：每个问题值 1 分。 一共有10道题。 说明：按照此链接访问琐事测验 如何验证/提交：在您团队的分组讨论中通知我们您已完成琐事测验。 已完成测验的屏幕截图是可选的。 力码挑战1 潜力点： 10 完成 Golang 5 奖励 下面是关于 Leet Code 的编码挑战。 为了正确提交，请在您的团队聊天中将解决方案页面截图与挑战号码。 力码挑战2 潜力点： 10 完成 Golang 5 奖励 下面是关于 Leet Code 的编码挑战。 为了正确提交，请在您的团队聊天中将解决

如何帮助高速转换器设计电源

如今，在设计人员面临众多电源选择的情况下，为高速ADC设计清洁电源时可能会面临巨大挑战。在利用高效开关电源而非传统LDO的场合，这尤其重要。此外，多数ADC并未给出高频电源抑制规格，这是选择正确电源的一个关键因素。本技术文章将描述用于测量转换器AC电源抑制性能的技术，由此为转换器电源噪声灵敏度确立一个基准。我们将对一个实际电源进行的简单噪声分析，展示如何把这些数值应用于设计当中，以验证电源是否能满足所选转换器的要求。总之，本文将描述一些简单的指导方针，以便带给用户一些指导，帮助其为高速转换器设计电源。当今许多应用都要求高速采样模数转换器（ADC）具有12位或以上的分辨率，以便用户能够进行更精确的系统测量。然而，更高分辨率也意味着系统对噪声更加敏感。系统分辨率每提高一位，例如从12位提高到13位，系统对噪声的敏感度就会提高一倍。因此，对于ADC设计，设计人员必须考虑一个常常被遗忘的噪声源——系统电源。ADC属于敏感型器件，每个输入（即模拟、时钟和电源输入）均应平等对待，以便如数据手册所述，实现最佳性能。噪声来源众多，形式多样，噪声辐射会影响性能。

颜色分类leetcode-multiself:通过大规模多任务自监督学习训练的视觉网络

颜色分类leetcode 多任务自监督 Resnet-v2-101 使用多个“自我监督”任务——即无需手动标记即可收集数据的监督任务——来训练单个视觉网络。 自监督学习是一种无监督学习，自监督任务的预训练可以成为分类、检测和几何估计等实际视觉任务的有用起点。 在这些领域，一些自监督任务的性能优于基于重建的最佳模型（例如自动编码器）和生成模型，并且组合任务使性能更加强大。 该存储库包含我们性能最佳的模型，该模型在四个任务上进行了训练：、、、和（论文中的 RP+Col+Ex+MS）。 这是研究，不是 Google 的官方产品。 检查点可用。 加载模型 此模型基于 Resnet-v2-101，可在 . 要加载它，首先在 slim 中创建一个 Resnet-v2-101： from tensorflow . contrib import slim from tensorflow . contrib . slim . nets import resnet_v2 from tensorflow . contrib . slim . nets import resnet_utils with sli

harmonyos2-multi-framework-app:多框架单页Web应用程序示例

和声2 #IFrame 主机/客户端 (IFHC 1.0.1)# ##Introduction## 这是一个研究应用程序，允许不同的单页应用程序 (SPA) 能够和谐地驻留在单个浏览器窗口中。 ###Implementation### 目标实现是创建一个模拟的“主机/客户端”网络。 每个客户端 SPA 都将作为 IFrame 加载到主机浏览器窗口中 - 一个特殊的 JS 库用于桥接 SPA 客户端和主机窗口的通信。 出于演示目的，我们目前拥有三个不同的 IFrame 客户端，它们基于： ＃＃如何使用＃＃ 在终端/命令行中通过 npm（从 下载，如果您的计算机上没有安装它）： npm install 完成后，输入： gulp dev 应该启动一个服务器，通过浏览器访问http://localhost:3000/ 单击+添加更多小部件，选择小部件 ID 时请务必使用唯一名称 可以通过收件人列表将文本和文件消息发送到不同的客户端（支持.JSON / .txt / .html / .jpg/gif/大多数图像文件） ##待办事项##有很多:-( 顶级项目：编写单元测试 - 可以将“api”和“

开源的JavaScript的超集TypeScript入门教程

TypeScript是JavaScript类型的超集，它可以编译成纯JavaScript。  TypeScript可以在任何浏览器、任何计算机和任何操作系统上运行，并且是开源的。 TypeScript扩展了JavaScript的语法，所以任何现有的JavaScript程序可以运行在TypeScript环境中。TypeScript是为大型应用的开发而设计，并且可以编译为JavaScript。 老师通过逐步深入的方式对TypeScript进行讲授，让学员入门TypeScript技术。

leetcode和oj-Data-structure-and-Algorithms:一些有趣的练习

leetcode 和 oj 力码 一些基于 Java 的有趣的 OJ 实践。 主要来自 LeetCode，部分来自 LintCode 和 Google OJ。 细绳 - 添加二进制 大批 - 计数位-第三个最大数量 堆栈和堆 -解码字符串- 在每个树行中找到最大值- 最小堆栈 树 -从前序和中序遍历构造二叉树 位操作 -四的力量 分而治之 - 二叉树的最大深度- 二叉树的最小深度-平衡二叉树- BST 的最低共同祖先-二叉树的最低公共祖先-二叉树最大路径和-消除游戏 深度优先搜索 -路径总和-路径总和 II -路径总和 III - 验证二叉搜索树-二叉树预序遍历-二叉树中序遍历-二叉树后序遍历-二叉搜索树中的中序后继- 二叉搜索树迭代器-Sum Root to Leaf Numbers 广度优先搜索 -二叉树级顺序遍历-二叉树级顺序遍历II - 二叉树之字形层序遍历-课程安排-课程表二-岛屿数量-太平洋大西洋水流-周边地区-对称树- 克隆图- 字梯-字梯II 回溯 -组合-组合总和-组合总和 II -组合总和 III -子集-子集II -排列-排列二-置换序列-二进制手表-N 皇后区