音频React灯带 使用Python和ESP8266或Raspberry Pi实时显示LED灯带音乐。 演示(单击gif观看视频) 总览 该存储库包含构建LED条形音乐可视化器所需的一切(不包括硬件): Python可视化代码,其中包括以下代码: 使用麦克风录制音频( ) 数字信号处理( ) 构造一维可视化( ) 通过WiFi将像素信息发送到ESP8266( ) 配置和设置( ) ESP8266的Arduino固件( ) 我需要做一个吗? 电脑+ ESP8266 要使用计算机和ESP8266构建可视化器,您需要: 装有Python 2.7或3.5的计算机(在Windows上建议使用 ) ESP8266模组的RX1针裸露。 这些模块的价格仅为5美元。 这些模块是兼容的,但许多其他模块也可以工作: NodeMCU v3 阿达果(Adafruit HUZZAH) Adafruit羽毛HUZZAH WS2812B LED灯带(例如Adafruit Neopixels)。 这些设备的价格仅为每米5-15美元。 5V电源 3.3V-5V电平转换器(可选,必
2021-10-29 21:16:27 19.4MB python raspberry-pi arduino esp8266
1
Coronavirus 基于SpringBoot及thymeleaf搭建的疫情信息管理系统 疫情信息管理系统旨在通过信息化手段记录跟踪本地区密切接触者、受感染者、危重症病人、治愈者以及死亡者,以密切接触者为开始一直到感染者治愈或者死亡,记录其基本信息、感染源、核算记录以及发病情况等信息,在通过信息化可视化手段展示本地区疫情发展情况,统计各个人群的数量,每个人群所占比例。 本系统的技术环境为: JDK1.8 SpringMvc SpringSecurity SpringBoot Mysql Mybatis Thymeleaf echarts 如果有同学需要毕业设计的话,可以借鉴 系统功能模块 疫情信息管理系统应当具备两种对象,疫情管理员对象可以对确诊患者、密切接触者、死亡患者、治愈患者的信息进行管理操作,系统管理员对象在疫情管理员对象的功能基础上可以对系统登录用户进行增删改查。针对需求分析
2021-10-29 09:04:21 23.15MB JavaScript
1
天气搜索 天气数据可视化 家居效果
2021-10-26 21:45:40 8.89MB JavaScript
1
2020年环境绩效指数(EPI) 地理空间可视化,一些统计数据和结构方程模型。
2021-10-21 22:24:48 17.77MB HTML
1
COVID Episim网站 此仓库包含用于MATSim / EpiSim的可视化网站,可从。 请参阅该网站,以获取有关使用MATSim进行COVID-19疾病传播的信息,并采取了各种措施来防止其传播。 该自述文件详细介绍了网站本身的构建说明。 项目先决条件 该站点使用npm和yarn,并使用VS Code开发。 您应该先安装VS Code,npm和yarn。 所有代码均为TypeScript,并将保持不变。 使用以下VS Code插件: 更强制代码风格的一致性 Vetur,用于Vuejs支持。 该网站是 SPA。 着色器语言支持 基础技术 您需要了解此技术才能入侵此网站: 类型安全JavaScript 将UI元素连接到代码的粘合剂。 与React类似,但轻巧又棒 用于精美动画的WebGL库。 -Vue文件中使用的模板语言。 Pug使用Python样式的缩进而不是打开
2021-10-20 22:27:31 86.06MB Vue
1
定向直方图HOG:此算法计算图像局部区域中梯度方向的出现并在图像中可视化
1
队列模拟器 在 Python 中对 M/M/s 排队系统进行简单的离散事件模拟,包括使用 pygame 的可视化。 这段代码被用作 Lehigh 大学 Python 算法课程实验室的示例。 课程网站在这里:
2021-10-16 14:23:50 7KB Python
1
Grad-CAM-张量流 注意:CNN还有另一种很棒的可视化方法,称为 ,它仅涉及前向通过。 演示代码可用于Caffe和Tensorflow ResNet,Vgg。 请检查一下。 这是用于Grad-CAM的演示的tensorflow版本。 我使用ResNet-v1-101,ResNet-v1-50和vgg16进行演示,因为该模型是非常流行的CNN模型。 但是,grad-cam可以与其他任何CNN型号一起使用。 只需在我的演示代码中修改卷积层即可。 请参阅查看此存储库的演示。 要在此演示中使用VGG网络,必须下载VGG16 NPY的npy文件。 要使用ResNet-v1-50或ResNet-v1-101,请从下载权重 欢迎任何贡献 [原论文] Grad-CAM:梯度加权类激活映射 Ramprasaath R. Selvaraju,Abhishek Das,Ramakrishna V
2021-10-13 14:33:03 3.22MB visualization grad-cam machinelearning resnet
1
neo4jd3.js 使用图形可视化。 特征 与和兼容。 力模拟。 信息面板,显示悬停时的节点和关系信息。 双击回调。 自定义节点颜色(按节点类型)。 文本节点+图标节点+ SVG图像节点(例如,使用 )。 粘滞节点(拖动以粘住,单击以松开)。 动态图更新(例如,双击一个节点以将其展开)。 突出显示init上的节点。 关系自动定向。 缩放,平移,自动调整。 与D3.js v4兼容。 跑步 首先,请确保您已安装了Ruby和无礼的宝石。 然后,克隆存储库,安装所有依赖项,构建并为项目提供服务。 > gem install sass > git clone https://github.com/eisman/neo4jd3.git > npm install > gulp 在您喜欢的浏览器中打开http://localhost:8080 。 文献资料 var neo4
2021-10-11 16:19:42 5.2MB d3 neo4j graph-visualization d3js
1