全局–局部傅里叶神经算子（GL-FNO）：原理、严格推导与 PINN 混合策略

【深度学习】傅里叶变换

傅里叶变换在深度学习中扮演着重要角色，尤其是在信号处理、图像处理和自然语言处理等领域。通过将数据转换到频域，深度学习模型可以更好地理解和处理复杂的信号和数据。傅里叶变换不仅加速了计算，还提供了新的视角和工具，帮助模型提取更丰富的特征。

如何理解Fourier Neural Operator (FNO)

2022年Nvidia发表在arXiv上的的FourcastNet作为几乎是最早的一篇气象大模型的工作（之前Google Research的MetNet主要还是对于降水的预报）。除了Transformer的backbone之外，使用到了2021年发表在ICLR上的Fourier Neural Operator。为了更好的理解模型的理论基础，可以详细学习一下以及他的前期工作GNOFNO作者对这两篇文章的解析blog。

人工智能技术白皮书 —— 你的AI入门手册

深入定义状态 (State, S)、动作 (Action, A)、奖励 (Reward, R) 以及状态转移概率 (Transition Probability, P)，构建一个完整的决策模型。强化学习是关于“决策”的科学，它让智能体（Agent）在与环境的持续互动中，通过试错和回报，学习一套能获得最大长期利益的最优行为策略。学习它，就是学习如何驱动机器的“想象力”。：一个迷宫地图，智能体（小机器人）在每个交叉口（状态）选择方向（动作），根据路径上的宝藏（奖励）或陷阱，更新自己的寻宝地图（策略）。

神经算子与FNO技术详解

对于输入函数 $v: \Omega \rightarrow \mathbb{R}^{d_v}$，FNO层的操作可以表示为：

深度学习在偏微分方程求解中的应用：傅里叶神经算子

傅里叶神经算子（FNO）是一种新兴的神经网络架构，专门设计用于处理和求解偏微分方程（PDEs）。PDEs广泛应用于物理学、工程学和金融学等领域，其在描述系统动态和稳态行为中起着核心作用。然而，传统的数值解法通常涉及复杂的手动特征工程和有限差分/有限元方法，它们在处理高维问题时会遇到计算效率和精度的双重挑战。FNO的出现，标志着深度学习技术在这一领域的突破性进展，它通过在频域中操作来捕获输入和输出之间的复杂映射关系，从而能够高效且准确地解决PDEs。

自适应傅里叶神经算子：Transformer的高效token混合器

本文介绍自适应傅里叶神经算子（AFNO），其作为Transformer的高效token混合器，能解决视觉Transformer在处理高分辨率图像时的计算难题。AFNO基于算子学习原理，通过改进FNO架构提升性能。实验显示，AFNO在少样本分割和高分辨率语义分割任务中表现优异。本文还探讨相关工作、实验结果及未来方向，为视觉Transformer发展提供新方向。

fourier_neural_operator:使用傅立叶变换学习微分方程中的算子

傅立叶神经算子 该存储库包含该论文的代码： 在这项工作中，我们通过直接在傅立叶空间中对积分内核进行参数化，从而制定了一种新的神经元运算符，从而实现了高效而富有表现力的体系结构。我们对Burgers方程，Darcy流和Navier-Stokes方程（包括湍流状态）进行实验。与现有的神经网络方法相比，我们的傅里叶神经算子显示了最先进的性能，并且与传统的PDE求解器相比，它的速度提高了三个数量级。 它来自以前的作品： 要求 档案文件 代码采用简单脚本的形式。每个脚本应该是独立的并且可以直接运行。 fourier_1d.py是傅立叶神经算子1D的问题，如（与时间无关的）Burgers方程的第5.1节中所讨论的。 fourier_2d.py是傅立叶神经算子的2D问题如达西流在第5.2节中所讨论的。 fourier_2d_time.py是傅立叶神经算子的2D问题诸如在5.3节中讨论的Navier

Qt 5.15.2静态编译避坑实录：MinGW 32位版从源码到Creator配置的全流程踩坑总结

本文详细介绍了Qt 5.15.2 MinGW 32位版本的静态编译全流程，包括环境准备、配置参数优化、编译过程监控及安装后配置。重点解决了静态编译中的常见问题，如参数顺序敏感、路径引号问题等，并提供了性能对比实测数据，帮助开发者高效完成静态编译。

独立游戏开发者的新武器：实测腾讯混元3D自动绑骨，搭配Mixamo让角色动画制作效率翻倍

本文实测腾讯混元3D自动绑骨功能与Mixamo动画库的协同使用，显著提升独立游戏开发者的角色动画制作效率。通过解决卡通角色绑骨偏差、优化骨骼权重及动画状态机配置，使原本两周的流程缩短至三天，并分享Unity中的性能优化与版权合规要点。

C8T6和ZET6选型更换过程中出现.\Obj\Project.sct(7): error: L6235E: More than one section matches selector - cann

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、问题原因二、解决方法三、现象总结 前言 又一件离谱的事情发生了，我之前转换过程中没有发生的错误，今天拿出来程序重新编译了一下，结果他奶奶滴一个新的错误出现了，而且我还完全不知道是什么原因导致的，先上图： 一、问题原因 之前我已经尝试过更换芯片选型，但是没有出现此类问题，今天更改的时候发现了，我还以为是个偶然错误，结果换来换去，还是有这个问题，那我之前说c8t6的程序更改成zet6上跑只需改芯片选型和宏定义岂不是啪啪打.

ThinkBook 16 2024 Ubuntu驱动全攻略：从无线网卡到触控板

本文详细介绍了ThinkBook 16 2024在Ubuntu系统下的驱动问题解决方案，涵盖无线网卡、蓝牙、显卡和触控板等关键硬件的驱动修复步骤。通过具体命令和配置指南，帮助用户快速解决兼容性问题，提升Ubuntu在ThinkBook上的使用体验。

电机驱动技术中关于磁阻转矩生成的理解

正交在物理学和数学中指的是两个方向或两个向量之间的夹角为90°（直角）。在图中，当气隙磁场的轴线与转子轴线的夹角为90°时，我们称它们为正交。转子磁极的方向。通常由转子的磁极中心指向另一极的连线表示。转子轴线用图示中的d 轴表示。通过对定子、转子、气隙磁场、磁力线的理解，我们可以清晰地分析不同角度下电磁转矩的方向。这种分析不仅有助于电机的理论学习，还能为实际设计提供重要参考。掌握这些基础知识后，可以更好地理解电机工作原理及优化其性能。

【拯救C盘】一文搞懂Windows修改Anaconda默认的虚拟环境存放路径及其原理

Anaconda创建的虚拟环境可能会默认保存在C盘，但C盘的存储空间很宝贵，由于每个虚拟环境的大小可能达到n个GB，稍不注意就会遇到C盘红色警告。因此有必要做点什么来拯救被虚拟环境占用的大部分空间！！！

【ComfyUI】Wan2.2 Animate 背景保留动作迁移视频生成

本文介绍了一个基于ComfyUI的高精度视频生成工作流"Wan2.2 Animate"，该系统融合动作捕捉、图像拼接和LoRA加权等技术，能自动识别人脸并完成精准动作迁移，同时保持背景稳定。工作流采用模块化设计，包含输入提取、图像融合、模型加载等关键节点，核心模型Wan2.2-Animate-14B支持fp8精度与BlockSwap控制。流程分为图像输入、动作提取、多图合成等五个阶段，通过文本提示编码器和图像语义编码器实现语义驱动的动作生成，最终输出高质量视频，适用于虚拟形象驱动和

YOLOv13改进：原创自研 | 卷积魔改 | 一种新颖的风车形卷积（PConv）融合注意力机制，加强微弱小目标检测能力

风车形卷积（PConv）融合注意力机制进一步提升小目标检测能力

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等