【WRF安装】WRF编译错误：problems building executables look for error in the build log

MATLABSimulink模拟及会议论文，关于具备自动温度控制和能耗分析的智能太阳能热水系统。.zip

1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

机械三维3D设计图-食品皮带机输送除尘消毒设备.zip

机械三维3D设计图-食品皮带机输送除尘消毒设备.zip

机械三维3D设计图-膜厚测定自动搬送设备.zip

机械三维3D设计图-膜厚测定自动搬送设备.zip

一加ace2传感器分区修复文件persist 一加ace2修复指纹 好机备份persist

资源说明： 一加ace2传感器分区修复文件persist 传感器失效表现在指纹 指南针 相机 陀螺仪等bug或者完全使用不了等等 一般是更新或者刷机后导致的 资源即可解决这种问题 方法为解锁后fast刷入persist分区 或者twrp里写入镜像方式恢复。等等其他方式恢复。需要自行恢复。 需要的友友下载使用 此分区是好机提取备份的 与线刷包里面的分区是两码事 参考教程 https://blog.csdn.net/u011283906/article/details/125516321?spm=1001.2014.3001.5501

完美复现基于自适应虚拟谐波阬的光储VSG并网电流谐波抑制模型（Simulink仿真实现）

内容概要：本文围绕基于自适应虚拟谐波阬的光储VSG并网电流谐波抑制模型展开研究，提出了一种结合虚拟同步发电机（VSG）控制与自适应虚拟谐波阬技术的谐波治理方案，旨在有效应对光伏发电与储能系统并网过程中产生的特定次谐波问题。通过在Simulink中构建完整的系统仿真模型，详细实现了VSG的惯量阻尼控制、功率环调控以及自适应谐波阬的频率识别与阻抗重塑机制，能够动态跟踪并抑制并网电流中的谐波成分，从而提升电能质量和系统并网稳定性。文章深入剖析了控制器结构设计、关键参数整定方法及谐波抑制效果的仿真验证过程，充分验证了该方法在复杂工况下的有效性、鲁棒性与工程应用潜力。; 适合人群：具备电力电子、新能源并网、电力系统分析等相关专业知识背景的科研人员与工程技术人员，尤其适用于熟悉Simulink仿真环境、掌握基本控制理论与信号处理技术的研究生、高校教师及企业研发人员。; 使用场景及目标：①应用于光伏-储能联合系统的并网逆变器控制设计；②用于提升VSG并网系统的电能质量与抗扰动能力；③为高比例新能源接入场景下的谐波分析与主动抑制策略提供仿真验证平台与技术支撑；④辅助开展新型电力系统中电能质量治理相关的教学与科研工作。; 阅读建议：建议读者结合提供的Simulink模型文件进行同步仿真操作，重点理解VSG控制架构与自适应虚拟谐波阬模块的耦合关系，关注谐波检测、频率自适应调整与复矢量控制的实现细节，并可通过改变负载条件或电网阻抗参数进行多工况测试，以深入掌握系统的动态响应特性与控制性能边界。

负荷预测基于LSTM-Attention、蜣螂优化DBO-LSTM-Attention的负荷预测研究（Python代码实现）

内容概要：本文围绕基于LSTM-Attention与蜣螂优化算法（DBO）改进的LSTM-Attention模型在电力负荷预测中的应用展开研究，采用Python代码实现。研究结合长短期记忆网络（LSTM）对时间序列长期依赖关系的建模能力与注意力机制（Attention）对关键时间步特征的加权聚焦能力，构建基础预测模型，并引入新型群智能优化算法——蜣螂优化算法（DBO），用于自动寻优模型超参数，有效提升模型收敛速度与预测精度。文中详述了模型架构设计、优化流程集成及实验验证过程，通过对比实验证明该混合模型在负荷预测任务中相较传统方法具有更强的非线性拟合能力和更高的预测准确性。; 适合人群：具备一定Python编程基础和机器学习背景，从事电力系统分析、能源管理或相关领域研究的科研人员及工程技术人员。; 使用场景及目标：①应用于短期或中期电力负荷预测任务，提高电网调度的科学性与经济性；②为深度学习与智能优化算法在能源领域的融合应用提供实践案例，促进模型性能优化与实际部署。; 阅读建议：建议读者结合提供的Python代码，深入理解LSTM-Attention模型的构建细节与DBO优化流程，建议在实际数据集上复现实验，进一步掌握参数调优技巧与模型评估方法。

Rust 与 C/C++：Rust 比 C/C++ 更好还是只是“技能问题”？

对于许多嵌入式系统开发人员而言，的崛起似乎掀起了一股不小的浪潮，特别是在相较于传统的语言，Rust的“内存安全”优势让人眼前一亮。然而，是否可以将Rust作为C/C++的替代品？或者说，Rust是否真的比C/C++更好，抑或它只是一个“技能问题”呢？在嵌入式开发的领域，我观察到，尽管Rust在一些高性能、内存安全敏感的场景中受到了广泛推崇，但它在实际应用中的普及度，特别是在嵌入式领域，依然有限。今天，我会从多个角度探讨这个问题，并且分享一些对于Rust、C/C++以及嵌入式系统开发的个人见解。

别再手动转格式了！用Java+LibreOffice命令行实现Word批量转PDF（附Docker部署避坑指南）

本文详细介绍了如何利用Java和LibreOffice命令行实现企业级Word批量转PDF的自动化解决方案，包括多线程优化、Docker化部署及常见问题排查。通过代码示例和实战经验，帮助开发者高效处理文档转换需求，提升工作效率并避免常见陷阱。

RK3568-MIPI屏幕调试实战：LCD初始化时序解析与转换

本文详细解析RK3568平台MIPI屏幕调试中的LCD初始化时序，重点介绍DCS Write与Generic Write数据类型的转换方法，并提供厂家时序到RK格式的实战转换案例。通过理解上电初始化时序的重要性，帮助开发者快速解决屏幕不亮、花屏等常见调试问题，提升RK3568硬件开发效率。

基于迁移学习的花卉识别系统

本研究采用了预训练的经典深度学习模型，包括ResNet、AlexNet和VGG，通过微调的方式在Oxford-102数据集和一个自制花卉数据集上进行训练，并对图像进行了多种数据增强操作，以提高模型的泛化能力，致力于实现花卉的高效分类。

CMap与L1000技术解析：基因表达数据在药物发现中的应用

本文深入解析了CMap（连接图）与L1000技术在药物发现中的核心应用。CMap通过构建基因表达“关系网”，实现基于模式匹配的药物重定位；L1000技术则以低成本、高通量方式生成关键基因表达数据，支撑了LINCS超级数据库。文章以CLUE平台为例，手把手演示了如何利用疾病基因表达签名逆向筛选潜在治疗化合物，并拓展了其在解析药物机制、预测副作用等多场景下的价值。

Python接入企业微信群机器人图文教程，实现恐贪指标自动触发微信消息提醒功能！Python 企业微信 群机器人 消息提醒 Webhook 企业微信接口

✅ 企业微信群机器人的添加方式；✅ 如何获取 Webhook 地址；✅ Python 如何用 requests 发消息；✅ 如何在实际业务中触发自动提醒；这种方式不仅适合个人开发者、测试人员，也适用于小团队、运维通知等场景，部署简单、触发灵活、响应及时！

Lammps纳米压痕接触面积—Matlab接触面积计算（两种方法）

Lammps纳米压痕接触面积计算

YOLOv11改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov11（全网独家创新）

本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov11的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov11进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、原理介绍三、核心代码四、添加方法4.1 修改一4.2 修改二4.3 修改三4.4 修改四。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")