通过c#与VisionPro联合编程，开发的自定义工具-CogSaveDataTool,可实现功能为：检测数据实时存储与“CSV”表格，或存储于日志文档，检测图片可存储原图或Display界面截图，开放各种参数。

1、STM32F103通过配置ESP8266模块为STATION模式，进行WIFI数据收发。 2、代码使用KEIL开发，当前在STM32F103C8T6运行，如果是STM32F103其他型号芯片，依然适用，请自行更改KEIL芯片型号以及FLASH容量即可。 3、软件下载时，请注意keil选择项是jlink还是stlink. 4、技术支持：wulianjishu666

红外平行光管是一种重要的光学设备，常用于科研、工业检测以及教学实验中，它能够将红外光源发出的光线转换为平行光束，便于对光路进行精确控制和测量。在这个项目中，我们主要关注的是红外平行光管的光学系统设计及其相关的机械结构。 光学设计是这个课设的核心部分，涉及到Zemax文件的使用。Zemax是一款强大的光学系统设计软件，它通过优化算法帮助用户设计出满足特定需求的光学系统。在描述中提到的Zemax文件可能包含了红外平行光管的透镜布局、折射率、曲率半径、厚度等参数，这些参数对于确保光管性能的准确性和稳定性至关重要。使用者可以通过Zemax进行多次迭代和优化，以达到最佳的光学性能。 机械图纸是实现红外平行光管物理结构的基础，这些图纸通常包括了光管的三维模型图、装配图、剖视图等。它们详细描绘了各个部件的位置、尺寸、公差以及装配关系，确保在实际制造过程中能精确无误地组装。SolidWorks是一款流行的三维机械设计软件，它可以生成高质量的三维模型和工程图，方便设计师进行结构分析、运动模拟以及制造前的预览。 红外平行光管的机械结构设计包括以下几个关键方面： 1. **光学元件固定**：光管中的透镜、反射镜等光学元件需要稳定地固定在适当位置，以保持其光学特性。这通常涉及到精密的机械支撑和调整机构。 2. **光轴对准**：确保所有光学元件的中心线与光轴一致，以减少光学误差。 3. **热膨胀补偿**：由于材料的热膨胀系数不同，温度变化可能导致光学元件位置的微小变化，因此设计时需考虑热补偿机制。 4. **密封与防尘**：为了保护光学元件免受污染，光管通常需要密封，并且可能需要防尘设计。 5. **散热设计**：红外光源可能会产生大量热量，良好的散热设计可以防止过热影响性能。 在63个文件中，除了Zemax文件和SolidWorks设计文件，可能还包括了： - **材料选择文档**：列出各部件所用材料及其物理性质。 - **制造规格**：详细说明每个部件的制造要求和工艺流程。 - **测试报告**：记录了原型的性能测试结果，用于验证设计的有效性。 - **用户手册**：指导用户如何操作和维护设备。 通过这些文件，学生不仅可以学习到红外平行光管的设计原理，还能掌握实际的工程设计和分析技巧，对于提高光学设计和机械设计能力大有裨益。在实际应用中，红外平行光管广泛应用于遥感、热成像、激光通信等领域，理解并掌握其设计方法对于相关专业人员来说是十分必要的。

节点触摸 一个node.js库，用于在Brother标签打印机上打印ptouch标签。 描述 一个node.js库，用于在Brother标签打印机上打印ptouch标签。 现在测试： QL-820NWB 安装 安装使用软件包管理器。 安装npm后只需键入以下命令。 npm install node-ptouch 例子 var Ptouch = require ( 'node-ptouch' ) ; var net = require ( 'net' ) ; // generate ptouch code var ptouch = new Ptouch ( 1 , { copies : 2 } ) ; // select template 1 for two copies ptouch . insertData ( 'myObjectName' , 'hello world' )

本程序使用python进行编译，实现了高校二手闲置品交易平台的设计。程序包含如下内容： 用户注册登录：平台应该支持用户注册和登录功能，以便用户可以创建个人账户并上传自己的闲置品。 闲置品上传：用户应该能够上传自己的闲置品，包括物品的图片、描述、价格等信息。 闲置品搜索与浏览：平台应该提供搜索和浏览功能，以便用户可以方便地找到自己需要的物品。 闲置品交流与交易：平台应该支持用户之间的交流和交易功能，例如私信、议价、下单等。 数据分析与统计：平台应该能够进行数据分析和统计，以便了解用户的交易行为和需求，为平台的优化提供依据。

深度学习是一种人工智能领域的核心技术，它通过模仿人脑神经网络的工作方式来解决复杂问题，尤其在图像识别、自然语言处理和声音识别等领域表现出强大的能力。在这个项目中，我们重点关注的是利用深度学习进行二维码识别，这是一个实际应用广泛的任务，比如在物流、广告、产品追踪等领域。 "二维码数据集"是训练深度学习模型的关键。一个数据集是模型学习的基础，它包含了大量的训练样本，这些样本通常由真实的二维码图片和对应的标签（即每个二维码的含义）组成。在本案例中，数据集可能已经被标注为VOC格式，这是一种常用的目标检测数据集标注格式，包括边界框信息和类别标签。 "二维码识别"是这个项目的核心任务。二维码（Quick Response Code）是一种二维条形码，能够存储各种类型的信息，如文本、URL、联系人信息等。识别二维码的过程涉及到对图像的预处理、特征提取、分类器的运用等步骤。使用深度学习，尤其是卷积神经网络（CNN），可以自动学习二维码的特征并进行识别，提高了识别的准确性和效率。 "yolov5自定义数据集"指的是使用YOLOv5模型进行训练，YOLO（You Only Look Once）是一种实时目标检测系统，因其快速且准确的性能而广受欢迎。YOLOv5是YOLO系列的最新版本，改进了前几代的性能，包括更快的训练速度和更高的精度。自定义数据集意味着我们将使用提供的二维码数据集来替代原版模型的训练数据，使模型能适应特定的二维码识别任务。 在项目中，有两个关键脚本："voc_label.py" 和 "split_train_val.py"。"voc_label.py" 可能是用来将VOC格式的数据转换为YOLO格式的工具，因为YOLO模型通常需要YOLO格式的标注数据，这种格式包含边界框坐标和类别信息。"split_train_val.py" 则可能用于将数据集分割成训练集和验证集，这是深度学习模型训练中的标准步骤，训练集用于训练模型，验证集用于评估模型在未见过的数据上的表现。 "Annotations" 文件夹很可能包含了VOC数据集中所有的标注信息，每张图片对应一个XML文件，详细描述了图像中的二维码位置和类别。而"images" 文件夹则存放着实际的二维码图片，这些图片将被用于训练和测试模型。 这个项目旨在利用深度学习，特别是YOLOv5框架，对二维码进行识别。通过创建和训练自定义数据集，我们可以构建一个专门针对二维码的高效识别系统。从数据预处理到模型训练，再到评估和优化，整个过程都需要严谨的工程实践和理论知识，以确保模型在实际应用中的效果。

TCP2Com-标签版V1.2.9.1 串口 TCP通讯工具

### Matlab：DY溢出指数代码及原数据解析 #### VAR模型概述 本文旨在介绍如何使用MATLAB实现一种简化形式的向量自回归模型（Vector Autoregression, VAR），并基于此模型计算动态溢出指数（DY Spillover Index）。VAR模型是一种广泛应用于经济和金融时间序列分析中的统计工具，它允许我们研究多个时间序列之间相互作用的方式。 ### 简化形式的VAR模型 简化形式的VAR模型可以表示为： \[ y_t = \nu + A_1 y_{t-1} + A_2 y_{t-2} + \ldots + A_p y_{t-p} + u_t \] 其中： - \( y_t \) 是 \( k \) 维的内生变量向量。 - \( A_i \) 是 \( k \times k \) 的系数矩阵。 - \( u_t \) 是误差项。 该模型可以通过等价的形式转化为VAR(1)模型： \[ Y_t = v + A Y_{t-1} + U_t \] 其中： - \( Y_t = \begin{bmatrix} y_t \\ y_{t-1} \\ \vdots \\ y_{t-p+1} \end{bmatrix} \) - \( A = \begin{bmatrix} A_1 & A_2 & \ldots & A_{p-1} & A_p \\ I_k & 0 & \ldots & 0 & 0 \\ 0 & I_k & \ldots & 0 & 0 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \ldots & I_k & 0 \end{bmatrix} \) ### 移动平均表示法 如果假设VAR(p)过程是稳定的，则其移动平均表示可通过连续替换得到。具体来说，\( Y_t \) 可以表示为： \[ Y_t = A(L)^{-1} \nu + A(L)^{-1} U_t = A(L)^{-1} \nu + \sum_{i=1}^{\infty} \Phi_i U_{t-i} \] 其中： - \( A(L)^{-1} = \sum_{i=0}^{\infty} \Phi_i L^i \) - \( \Phi_i = J A_i J' \)，其中 \( J = [I_k, 0_{k \times k(p-1)}] \) - \( \Phi_0 = I_k \)，且对于 \( i > 0 \)，有 \( \Phi_i = \sum_{j=1}^{i} \Phi_{i-j} A_j \) ### 预测误差方差分解(FEVD) 预测误差方差分解（FEVD）是用来分析每个外生冲击对预测误差方差的贡献程度的方法。对于水平 \( h \) 处的预测误差 \( y_{k,t+h} - y_{k,t(h)} \)： \[ y_{k,t+h} - y_{k,t(h)} = \sum_{i=1}^{\infty} \Phi_i u_{t+h-i} \] 其中 \( \Sigma_u = E(u_t u_t') \) 是误差项的协方差矩阵。如果 \( \Sigma_u = P \Sigma_w P' \)，其中 \( \Sigma_w = I_K \)，则 \( \Theta_i = \Phi_i P \)。 ### DY溢出指数 Diebold 和 Yilmaz (2009) 提出了溢出指数来衡量跨企业、市场或国家的溢出效应。溢出指数定义为： \[ \text{Spillover Index} = \frac{\sum_{k,j \in \{1..K\}, k \neq j} \text{FEVD}_{kj}(h)}{\sum_{k,j \in \{1..K\}} \text{FEVD}_{kj}(h)} \] 其中，\( \text{FEVD}_{kj}(h) \) 表示第 \( j \) 个冲击对第 \( k \) 个变量在水平 \( h \) 上预测误差方差的贡献。通过构造迪伯德-伊尔马兹连通性表（FEVD 表），可以直观地理解这些贡献。 ### 方向性连接 在迪堡和伊尔马兹的工作中还提出了方向性连接的概念，用于衡量不同实体之间的信息流动方向。例如，从其他国家到国家 \( i \) 的总方向性联系 \( C_i \leftarrow \ast \) 定义为： \[ C_i \leftarrow \ast = \sum_{j=1, j \neq i}^N dH_{ij} \] 同时，与其他国家的完全定向联系 \( C_\ast \leftarrow j \) 定义为： \[ C_\ast \leftarrow j = \sum_{i=1, i \neq j}^N dH_{ij} \] ### 广义VAR框架下的FEVD 在广义VAR方法中，FEVD 在视界 \( h = H \) 处的计算如下： \[ dH_{kj} = \sigma_j^{-1} \sum_{h=0}^{H-1} e_k' \Phi_h \Sigma_u e_j^2 / \sum_{h=0}^{H-1} e_k' \Phi_h \Sigma_u e_k e_k \] 其中 \( e_k \) 是 \( I_K \) 的第 \( k \) 列。然而，这种广义FEVD不保证行和或列和为1，因此，迪堡和伊尔马兹 (2012) 建议进行归一化处理。 ### 总结 本文介绍了如何在MATLAB中实现一种简化形式的VAR模型，并基于此模型计算动态溢出指数（DY Spillover Index）。通过上述介绍，我们可以了解到VAR模型在经济和金融领域的应用，以及如何利用MATLAB工具包进行数据分析。DY溢出指数能够帮助我们更好地理解和量化不同实体之间的相互作用和信息流动。此外，文中还讨论了不同的FEVD计算方法，包括传统的乔莱斯基分解和广义VAR框架下的FEVD计算方法，这为我们提供了更多的选择和灵活性。 VAR模型及其扩展在现代经济和金融分析中扮演着重要的角色。通过MATLAB实现这些模型可以帮助研究人员深入理解数据背后的模式和关系。

本压缩文件包含Gldas数据处理的Malab代码和测试数据，程序可直接运行，结果输出为文件，需要出图的可以用Gmt进行绘图。本程序简单介绍：由水量平衡方程可以将地下水储量的计算过程分解为以下部分，`第一部分计算陆地水储量变化`、`第二部分计算地表水储量变化`、`第三部分计算冰后回弹改正`、`第四部分计算地下水储量变化`。本篇简单介绍下第二部分的内容，主要是GLDAS水文模型数据的有关处理过程，同样也是对前面几篇博文方法的一个整合或总结 。详细理论和介绍可以参考[https://blog.csdn.net/weixin_43339605/category_12556003.html]系列博文，希望有所帮助，同时遇到问题也可以留言交流。

GRACE数据处理：根据水平衡方程，计算地下水储量变化，要知道陆地质量变化和地表水储量变化，本程序为地下水储量变化计算的一步，用于处理GRACE数据，反演得到陆地质量变化（陆地水储量变化），该程序包含测试数据，可直接运行，如运行出错可更换matlab版本到2019。具体理论及过程可以查看系列文章（https://blog.csdn.net/weixin_43339605/category_12556003.html），如有问题可以留言讨论。