于 2019/11/23 更新,主要是适配了运行时权限,修复 bug,优化了传输流程 在我的上一篇文章:,我介绍了通过 Wifi Direct(Wifi 直连)实现 Android 设备之间进行文件传输的方法,可以在无移动网络的情况下实现点对点的文件传输 本来觉得这样也就够了,可在要应用到实际项目的时候,又考虑到用户的设备系统版本可能并不都符合要求(Wifi Direct 是 Android 4.0 后支持的功能,话说低于 4.4 版本的手机应该都很少了吧?),而且我也不确定 IOS 系统是否支持 Wifi Direct,所以为了让文件传输逻辑可以应用到更多的设备上,就又实现了通过 Wifi热点 进行文件传输的功能 相比于通过 Wiif Direct 进行文件传输,通过 Wifi 热点进行设备配对更加方便,逻辑也更为直接,传输一个1G左右的压缩包用了5分钟左右的时间,平均传输速率有 3.5
1
基于layui封装的多选穿梭框,双列表互选框,树形组件可搜索
2022-05-11 13:53:41 465KB layui transfer
1
计算l两段信号的传递熵 传递熵其实就是一个条件分布带来的探测到时间序列间的不对称性
2022-05-10 14:39:47 1KB 传递熵 transferentropy matlab
A Python interface to the 6S Radiative Transfer Model 遥感6S辐射传输模型的Python接口
2022-05-07 14:36:37 269KB 辐射传输模型 6S
1
用于 Oblivious Transfer 扩展 (OTe) 的快速且可移植的 C++17 库。 该库的主要设计目标是在易于使用的同时获得高性能。 该库目前实现: 半诚实的 1-out-of-2 OT 。 半诚实的 1-out-of-2 Silent OT 。 半诚实的 1-out-of-2 Silent OT [CRR21]。 半诚实的 1-out-of-2 Delta-OT 、 。 半诚实的 1-out-of-N OT 。 恶意安全 1-of-2 OT 。 恶意安全 1-out-of-2 Delta-OT 、 。 恶意安全 1-out-of-N OT 。 恶意安全近似 K-out-of-N OT 。 恶意安全的 1-out-of-2 基础 OT [NP01]。 恶意安全 1-out-of-2 base OT (Faster Linux ASM
1
Data Transfer Workbench
2022-04-30 19:51:04 810KB DTW
1
PDF 文档和名为 oota_matlab.m 的 MATLAB 脚本,可用于确定非共面圆形和椭圆轨道之间的最佳一和二脉冲轨道转移。 该方法是通用的,初始轨道和最终轨道不必是共星的。 该算法基于 Gary McCue、Gentry Lee 和 David Bender 的轨道转移和交会工作,在“最小脉冲轨道转移的数值研究”,AIAA 期刊,3,2328-2334(1965)中有所描述; 和“双脉冲轨道转移分析”,AIAA 杂志,2,1767-1773(1964)。
2022-04-28 16:49:19 463KB matlab
1
matlab/simulink模型,用于演示图片所示的传递函数。为传递函数初学者提供实例。
2022-04-16 22:39:04 95KB transfer function mdl
1
ZHEN NING LOW的博士论文《 High efficiency loosely coupled wireless power transfer system via magnetic induction》,他专门做无线电能传输的,论文内容是英文的,介意的朋友慎下。论文总共176页,里面包含无线电能传输的基本理论介绍以及E类放大器在无线电能传输中的应用等等很多内容,非常相信,分享给需要的朋友
2022-04-15 11:57:20 4.72MB 无线电能传输 E类放大器
1
风格转移火炬 在PyTorch中实现神经风格转换(),支持CPU和Nvidia GPU。 它会自动进行多尺度(从粗到细)样式化,以生成高质量的高分辨率样式化,如果GPU有足够的内存,甚至可以达到打印分辨率。 如果有两个GPU,则它们都可以用来提高最大分辨率。 (使用两个GPU并不比使用一个GPU快。) 该算法已通过以下方式从文献中进行了修改: 使用PyTorch预训练的VGG-19砝码代替原始的VGG-19砝码 将VGG-19第一层的填充模式更改为“复制”,以减少边缘伪像 使用平均值池或L2池时,请根据经验得出的因子对结果进行缩放,以确保结果的幅度平均保持不变(Gatys等人(2015年)未执行此操作) 使用MSE损失的近似值,使其内容和样式损失的梯度L1范数约为1(以近似梯度归一化的效果,从而产生更好的视觉质量) 通过每个特征图通道中的元素数量而不是元素总数(Johnson等人)
2022-04-12 20:15:01 53KB pytorch style-transfer neural-art Python
1