教程名称：       Domino基础管理教学视频（13讲）【】八：domino服务器中notes安全性介绍.zip【】二：计划与准备domino服务器的安装与配置.zip【】九：怎样使用domino的管理控制台.zip【】六：domino服务器的复本概念和复制过程.zip【】七：domino服务器中层次命名.zip【】三：domino 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。

【作品名称】：基于 python+深度学习的视觉问答【毕业设计】（含源码+答辩 ppt） 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：对于视觉问答（VQA）的研究具有深刻的学术意义和广阔的应用前景。目前，视觉问答模型性能提升的重点在于图像特征的提取，文本特征的提取，attention权重的计算和图像特征与文本特征融合的方式这4个方面。本文主要针对attention权重的计算和图像特征与文本特征融合这两个方面，以及其他细节方面的地方相对于前人的模型做出了改进。本文的主要工作在于本文使用open-ended模式，答案的准确率采用分数累积，而不是一般的多项选择。本文采用CSF模块（包括CSF_A和CSF_B）不仅对spatial-wise进行了权重计算，还对channel-wise进行了权重计算。本文采用MFB模块和ResNet152 FC层之前的tensor来结合LSTM的输出来计算每个区域的权重，而不是直接把image feature和question feature结合本文采用SigMoid来

torch-1.9.0+cu111-cp39-cp39-win_amd64.whl torchvision-0.10.0+cu111-cp39-cp39-win_amd64 typing_extensions-4.9.0-py3-none-any.whl

机器学习数学基础：线性代数+微积分+概率统计+优化算法 机器学习作为现代科技的璀璨明珠，正在逐渐改变我们的生活。而在这背后，数学扮演着至关重要的角色。线性代数、微积分、概率统计和优化算法，这四大数学领域为机器学习提供了坚实的理论基础。 线性代数是机器学习中的基础语言。矩阵和向量作为线性代数中的核心概念，是数据表示和计算的基础。在机器学习中，我们经常需要将数据转化为矩阵形式，通过矩阵运算提取数据的特征。特征提取是机器学习模型训练的关键步骤，而线性代数则为我们提供了高效处理数据的工具。 微积分则是机器学习模型优化的得力助手。在机器学习中，我们通常需要找到一种模型，使得它在给定数据集上的性能达到最优。这就需要我们对模型进行求导，分析模型参数对性能的影响，进而调整参数以优化模型。微积分中的导数概念为我们提供了分析模型性能变化的方法，帮助我们找到最优的模型参数。 概率统计则是机器学习数据处理和模型评估的基石。在机器学习中，数据往往带有噪声和不确定性，而概率统计可以帮助我们评估数据的分布和特征，进而构建更加稳健的模型。同时，概率统计也为我们提供了模型评估的方法，通过计算模型的准确率、召回率 ### 机器学习数学基础详解 #### 一、线性代数基础 **1.1 向量和矩阵** - **1.1.1 标量、向量、矩阵、张量之间的联系** 标量、向量、矩阵和张量是线性代数中的基本概念，它们之间存在着紧密的联系。 - **标量（Scalar）**：一个单独的数字，没有方向。 - **向量（Vector）**：一组有序排列的数字，通常用来表示方向和大小。 - **矩阵（Matrix）**：一个二维数组，由行和列组成的数据结构。 - **张量（Tensor）**：一个更高维度的数组，它可以是标量（0维）、向量（1维）、矩阵（2维）或更高维度的数组。 **联系**：标量可以视为0维张量；向量是一维张量；矩阵是二维张量；更高维度的数组称为张量。 - **1.1.2 张量与矩阵的区别** - **代数角度**：矩阵是二维张量，而更高维度的张量则包含了更复杂的数据结构。 - **几何角度**：矩阵和向量都是不变的几何量，不随参照系的变化而变化。张量也可以用矩阵形式来表达，但其可以扩展到更高的维度。 - **1.1.3 矩阵和向量相乘结果** 当一个矩阵与一个向量相乘时，可以理解为矩阵的每一行与向量相乘的结果构成新的向量。 - 例如，如果有一个$m \times n$的矩阵$A$与一个$n \times 1$的向量$x$相乘，结果将是一个$m \times 1$的向量$y$，其中每个元素$y_i = \sum_{j=1}^{n} a_{ij}x_j$。 - **1.1.4 向量和矩阵的范数归纳** 向量的范数是衡量向量大小的一种标准。 - **向量的1范数**：向量各分量的绝对值之和。 - 对于向量$\vec{x} = (x_1, x_2, ..., x_n)$，其1范数定义为$||\vec{x}||_1 = |x_1| + |x_2| + ... + |x_n|$。 - **向量的2范数**：也称为欧几里得范数，是各分量平方和的开方。 - $||\vec{x}||_2 = \sqrt{x_1^2 + x_2^2 + ... + x_n^2}$。 - **向量的无穷范数**：向量各分量的最大绝对值。 - $||\vec{x}||_\infty = \max(|x_1|, |x_2|, ..., |x_n|)$。 **1.2 导数和偏导数** - **1.2.1 导数偏导计算** 导数用于描述函数在某一点处的变化率，而偏导数则是多元函数关于其中一个自变量的变化率。 - **1.2.2 导数和偏导数有什么区别？** - **导数**：对于单一自变量的函数$f(x)$，导数$f'(x)$描述了该函数在$x$点处的切线斜率。 - **偏导数**：对于多变量函数$f(x_1, x_2, ..., x_n)$，偏导数$\frac{\partial f}{\partial x_i}$描述了当保持其他变量不变时，$f$关于$x_i$的变化率。 **1.3 特征值和特征向量** - **1.3.1 特征值分解与特征向量** 特征值和特征向量是线性代数中的重要概念，用于理解和简化矩阵。 - **特征值**：如果存在非零向量$\vec{v}$使得$A\vec{v} = \lambda\vec{v}$，那么$\lambda$就是矩阵$A$的一个特征值。 - **特征向量**：满足上述等式的非零向量$\vec{v}$。 - **1.3.2 奇异值与特征值的关系** - **奇异值**：对于任何矩阵$A$，其奇异值是$A^\top A$（或$AA^\top$）的特征值的平方根。 - **关系**：奇异值和特征值在特定情况下相同，尤其是在正交矩阵和对称矩阵中。 #### 二、微积分基础 - **1.2 导数和偏导数**（已在上文提到） - **1.3 特征值和特征向量**（已在上文提到） #### 三、概率统计基础 **1.4 概率分布与随机变量** - **1.4.1 机器学习为什么要使用概率** 在机器学习中，概率用于描述数据的不确定性，并提供了一种量化方式来预测未来事件的可能性。 - **1.4.2 变量与随机变量有什么区别** - **变量**：可以取多种不同值的量。 - **随机变量**：变量的一种特殊类型，其值是根据某个概率分布随机确定的。 - **1.4.3 随机变量与概率分布的联系** - 随机变量的每个可能值都对应一个概率，这些概率构成了随机变量的概率分布。 - **1.4.4 离散型随机变量和概率质量函数** - **离散型随机变量**：只能取有限个或可数无限个值的随机变量。 - **概率质量函数**：描述离散型随机变量各个值的概率。 - **1.4.5 连续型随机变量和概率密度函数** - **连续型随机变量**：可以取区间内的任意值的随机变量。 - **概率密度函数**：描述连续型随机变量在某一区间的概率密度。 - **1.4.6 举例理解条件概率** - 条件概率$P(A|B)$表示在事件$B$已经发生的条件下，事件$A$发生的概率。 - 例如，假设在一个班级中，$P(\text{女生}) = 0.5$，$P(\text{女生|戴眼镜}) = 0.6$，意味着在戴眼镜的学生中，60%是女生。 - **1.4.7 联合概率与边缘概率联系区别** - **联合概率**：两个事件同时发生的概率。 - **边缘概率**：单个事件发生的概率。 - **联系**：联合概率可以通过边缘概率和条件概率计算得出。 - **1.4.8 条件概率的链式法则** - 条件概率的链式法则描述了如何通过一系列条件概率来计算联合概率。 - 例如，$P(A,B,C) = P(C|A,B)P(B|A)P(A)$。 - **1.4.9 独立性和条件独立性** - **独立性**：两个事件$A$和$B$独立，如果$P(A|B) = P(A)$且$P(B|A) = P(B)$。 - **条件独立性**：事件$A$和$B$在已知事件$C$的情况下条件独立，如果$P(A|B,C) = P(A|C)$。 **1.5 常见概率分布** - **1.5.1 Bernoulli分布** - 描述只有两种可能结果的随机试验（如成功或失败）的概率分布。 - 参数$p$表示成功的概率，失败的概率为$1-p$。 - **1.5.2 高斯分布** - 又称正态分布，是一种非常常见的连续概率分布。 - 参数$\mu$代表均值，$\sigma^2$代表方差。 - **1.5.3 何时采用正态分布** - 正态分布广泛应用于自然和社会科学领域，特别是在中心极限定理的支持下，很多随机变量可以近似为正态分布。 - **1.5.4 指数分布** - 描述事件发生的时间间隔的分布。 - 参数$\lambda$表示事件发生的平均频率。 - **1.5.5 Laplace 分布** - 也是一种连续概率分布，具有比高斯分布更重的尾部。 - 参数$\mu$代表均值，$b$代表尺度参数。 - **1.5.6 Dirac分布和经验分布** - **Dirac分布**：一个概率质量集中在单个点的分布。 - **经验分布**：基于观测数据的分布，反映了数据的真实概率分布情况。 **1.6 期望、方差、协方差、相关系数** - **1.6.1 期望** - 期望是对随机变量取值的加权平均。 - 对于离散型随机变量，期望定义为$E[X] = \sum x_i p(x_i)$。 - **1.6.2 方差** - 方差衡量随机变量与其期望值之间的偏差程度。 - 定义为$Var(X) = E[(X-E[X])^2]$。 - **1.6.3 协方差** - 协方差描述两个随机变量之间的线性相关性。 - 定义为$Cov(X,Y) = E[(X-E[X])(Y-E[Y])]$。 - **1.6.4 相关系数** - 相关系数是标准化后的协方差，用于衡量两个变量的相关强度。 - 定义为$\rho_{XY} = \frac{Cov(X,Y)}{\sigma_X \sigma_Y}$，其中$\sigma_X$和$\sigma_Y$分别是$X$和$Y$的标准差。 通过以上详细的介绍，我们可以看到，线性代数、微积分、概率统计和优化算法在机器学习中的应用极为广泛，它们为机器学习提供了坚实的数学基础。掌握这些基础知识对于深入理解机器学习算法至关重要。

车载智能计算基础平台SOA（面向服务的架构）软件架构白皮书由中国智能网联汽车产业创新联盟基础软件工作组于2022年8月发布，旨在探讨和规范车载智能计算平台在SOA架构下的设计与实施。SOA是一种软件设计方法，强调将独立的功能封装为服务，这些服务可以通过网络进行交互，从而实现系统的模块化和灵活性。 第一章介绍了研究背景及意义，其中提到了汽车电子电气架构的演进趋势，从传统的分布式架构向集中式、高性能的计算平台转变。车载智能计算基础平台是这一变革中的核心，它集成了复杂的计算和通信功能，支持高级驾驶辅助系统（ADAS）和自动驾驶等应用。面向服务的架构SOA在汽车领域的应用能够促进软件复用，提高开发效率，并适应快速变化的技术需求。 第二章对SOA架构技术进行了概述，包括服务的定义、服务之间的通信机制以及服务治理等关键概念。SOA的核心特点是松耦合和服务自治，这使得服务可以独立地开发、部署和升级，而不会影响到其他服务的正常运行。 第三章分析了SOA在国内外汽车行业的发展现状。在国外，多家领先汽车制造商和科技公司已经采用SOA来构建其车载软件系统；在国内，随着智能网联汽车的快速发展，SOA架构也逐渐成为行业热点，得到了广泛的关注和研究。 第四章提出了车载智能计算基础平台的参考架构，分为系统软件层和功能软件层。系统软件层主要负责平台的底层管理和运行环境，而功能软件层则包含各种智能驾驶相关的应用和服务。 第五章详细阐述了车载智能计算基础平台的SOA接口设计，包括智能驾驶通用模型及其接口、功能软件通用框架及其接口以及数据抽象接口。这些接口定义了服务间的交互规则，确保了不同组件之间的兼容性和互操作性。 第六章讨论了车载智能计算基础平台的SOA核心架构，强调了软硬件解耦的重要性，这意味着硬件更新或升级不会影响到软件的运行。此外，还介绍了智能驾驶功能的基础服务分解、网联云控服务、信息安全服务以及OEM自动驾驶应用软件的SOA开发SDK。 第七章探讨了实现车载智能计算基础平台SOA的扩展技术，如内核优化、容器技术和虚拟化。这些技术有助于提升平台的性能、资源管理能力和可扩展性，同时降低了开发和运维的复杂度。 总结来说，车载智能计算基础平台的SOA软件架构白皮书提供了一个全面的视角，展示了如何利用SOA来构建灵活、可扩展且安全的车载软件系统，以应对智能网联汽车的挑战和机遇。通过这种架构，汽车制造商和供应商可以更有效地开发和集成各种高级驾驶功能，加速智能汽车的创新和发展。

标题中的“火焰+烟雾检测数据集+标签-01”表明这是一个专门针对火焰和烟雾检测训练的数据集，其中包含了图像以及相应的标签信息。这个数据集是深度学习领域的一个重要资源，尤其对于目标检测任务而言，它是模型训练的基础。 在描述中提到，该数据集包含2500张图像，这些图像旨在帮助模型识别和区分火焰与烟雾。数据集中的标签是以JSON格式提供的，这意味着每张图片都有一个对应的JSON文件，详细描述了图像中火焰或烟雾的位置和其他相关信息。JSON是一种轻量级的数据交换格式，易于人阅读和编写，同时也方便机器解析和生成，是处理结构化数据的理想选择。 标签中提到了“深度学习”、“目标检测”和“YOLO”，这暗示了该数据集可以用于训练基于深度学习的目标检测模型，特别是YOLO（You Only Look Once）算法。YOLO是一种实时目标检测系统，它的优势在于速度快、效率高，能够在一帧视频中一次性完成检测，非常适合实时监控场景下的火焰和烟雾检测。 在深度学习领域，目标检测是计算机视觉的一个重要子领域，它旨在识别并定位图像中的特定对象。对于火焰和烟雾检测，目标检测可以帮助早期发现火灾隐患，从而及时采取措施防止灾难发生。YOLO的工作原理是将图像分割成多个小网格，并预测每个网格内是否存在目标以及目标的类别和边界框。通过优化网络参数，模型能够学习到火焰和烟雾的特征，提高检测精度。 在实际应用中，这样的数据集可以被用于训练和验证深度学习模型，例如使用YOLOv3或更新的版本。训练过程通常包括前向传播、反向传播和优化，以最小化损失函数，从而提高模型的预测能力。数据集的大小（2500张图片）虽然相对较小，但足够用于初步的模型训练和验证，特别是在数据增强技术的帮助下，如翻转、缩放、裁剪等，可以有效地扩充数据集，增加模型的泛化能力。 总结来说，这个“火焰+烟雾检测数据集+标签-01”是一个适用于深度学习目标检测任务的资源，特别是针对YOLO框架。它包含的2500张图片和JSON标签信息为训练和评估模型提供了基础，对于防火安全监测系统开发或相关研究具有重要意义。通过利用该数据集，开发者和研究人员可以构建更准确、快速的火焰和烟雾检测系统，提升公共安全水平。

美-Bernard sklar著 中文版第二版，非常经典的一部数字通信教材

本资料介绍公司信息化架构的理论基础、核心方法、管控手段、SG-ERP总体架构设计成果和结合公司最新业务战略的总体架构资产设计内容。

VB6（Visual Basic 6）是微软公司推出的一款可视化编程工具，主要用于开发Windows应用程序。它以其易学易用、强大的Windows API支持以及丰富的控件库而受到开发者喜爱。本资源提供的是一套基于VB6的远程控制源代码，适用于学习和实践远程桌面控制技术。 远程控制是一种允许用户通过网络在一台计算机上操作另一台计算机的技术。在VB6中实现远程控制，通常涉及到以下几个关键知识点： 1. **网络通信**：远程控制的核心是两台计算机之间的数据传输。VB6可以使用Winsock控件进行TCP/IP通信，建立客户端与服务器端的连接，用于传递键盘、鼠标事件及屏幕截图等信息。 2. **屏幕捕获**：在远程控制中，服务器端需要定期截取屏幕图像并发送到客户端。VB6可以通过GDI（Graphics Device Interface）函数实现屏幕抓图，如BitBlt和GetDC等。 3. **键盘鼠标事件模拟**：客户端接收到服务器端的指令后，需要能够模拟键盘和鼠标输入。VB6提供了SendKeys方法来模拟键盘输入，而鼠标操作则可能需要通过API调用来实现，如SetCursorPos和Mouse_event。 4. **加密与安全**：考虑到远程控制涉及敏感信息，通常需要对传输的数据进行加密处理，以防止被窃听或篡改。VB6可以使用内置的Cryptographic API或者第三方库来进行数据加密，如AES（Advanced Encryption Standard）。 5. **多线程**：为了保证用户体验，远程控制程序通常需要在后台进行数据传输，而不阻塞用户界面。VB6支持多线程编程，可以创建新的线程来处理网络通信，避免主线程冻结。 6. **错误处理**：在编写远程控制程序时，必须考虑各种可能出现的错误，如网络断开、权限问题等。VB6的On Error语句可以用于设置错误处理机制，确保程序在遇到问题时能优雅地处理。 7. **用户界面设计**：VB6提供了一系列的控件和组件，可以帮助开发者创建用户友好的界面，如按钮、文本框、状态栏等，方便用户操作和查看远程计算机的状态。 8. **程序打包与部署**：完成编码后，VB6的编译器可以将所有必要的文件打包成一个可执行文件，方便用户安装和运行。同时，需要注意依赖库的包含，如VB6运行库，确保在没有安装VB6环境的机器上也能正常运行。 通过理解和掌握以上知识点，你可以利用VB6的这套远程控制源代码作为起点，深入学习远程控制的原理和技术，进一步优化和扩展功能，比如增加文件传输、语音聊天等特性，以满足更复杂的远程协作需求。对于初学者来说，这是一个很好的实践项目，有助于提升编程技能和理解网络通信的底层工作原理。

一、基础知识： 1、5G主流256QAM，4G主流64QAM，3G主流16QAM，2G主流8PSK。 2、4G 3、5G 100M频率范围2515-2615 60M 频率范围2515-2575 网络带宽配置 中心频点 SSB频点 PR数 备注 60M带宽60MBWP 508980 504750 162 极少 60M带宽100MSSB 509004 504990 162 主要 100M带宽60MBWP 513000 504990 162 主要 100M带宽100MBWP 513000 504990 273 极少 二、信令流程： 1、4G初始接入过程 2、B1事件添加SN辅节点（加腿） 3、A3事件用来变更PSCELL或SN 4、A2是释放SN辅节点（删腿） 5G-5G不切换问题核查思路 1、5G切换邻区对是否设置禁止切换； 2、5G邻区是否添加，外部参数（PCI、同频同pci问题、频点、PLMN、band、pointa）、链路（NSA，55链路不影响）是否配置正确； 3、4-目标5的邻区链路是否配置正确（这一点前台测试兄弟可以确认下，如果 在无线网络优化中，5G技术的引入带来了显著的性能提升和新的挑战。本文将深入探讨5G的基础理论，包括调制方式、频率配置、信令流程以及5G切换邻区的相关问题。 让我们来看5G的调制方式。5G网络主流采用256QAM（Quadrature Amplitude Modulation），这是一种高级调制技术，能够提供更高的数据传输速率。相比之下，4G网络主流使用64QAM，3G网络主要采用16QAM，而2G网络则以8PSK为主。256QAM通过更精细的信号幅度和相位调制，大幅度提升了频谱效率，从而实现了5G的高速率特性。 接着，我们来讨论5G的频率配置。5G在100M频率范围内，有两个关键的频率段：2515-2615MHz和2515-2575MHz。这些频率分配用于不同的网络带宽配置，例如60MBWP（Bandwidth Part）和100MBWP。中心频点、SSB（Synchronization Signal Block）频点以及PR（Physical Resource）数也是网络配置的关键参数，它们直接影响到5G网络的覆盖和性能。 在信令流程方面，4G的初始接入过程是网络连接的第一步，对于确保用户设备顺利接入至关重要。B1事件用于添加SN（Secondary Node）辅节点，即在NSA（Non-Standalone）模式下，为设备增加5G辅助连接。A3事件则涉及PSCELL（Primary Serving Cell）或SN的变更，通常与服务质量(QoS)和网络条件有关。相反，A2事件用于释放SN辅节点，当不需要5G连接时，系统会通过此过程进行资源释放。 对于5G-5G之间的切换问题，我们需要检查多个环节。要确定切换邻区对是否设置了禁止切换的限制。检查5G邻区的配置，包括PCI（Physical Cell ID）、同频同PCI问题、频点、PLMN（Public Land Mobile Network）标识、band以及pointa等参数。此外，确保4G到5G目标邻区的链路配置无误，尤其是NSA链路的正确性。还要注意gnodeB ID长度的一致性，通常为24bit。同时，检查45和55邻区链路的前后台数据匹配性，如有问题，尝试删除并重新添加。通过抓取和分析信令来进一步诊断可能存在的邻区问题，比如切换是否被禁止或邻区是否被加入黑名单。 5G网络优化涉及多个层面，包括物理层的调制方式、频谱资源的利用、复杂的信令流程，以及网络配置的精确性。理解和掌握这些知识点对于网络规划、建设和优化都是至关重要的，它们确保了5G网络的高效运行和用户优质体验。在实际工作中，应密切关注网络性能指标，持续优化网络配置，以应对不断变化的网络需求。