ISO SAE 21434-2021 Road vehicles - Cybersecurity engineering
2022-05-09 19:09:06 1.31MB 源码软件 21434
《ISO/SAE 21434:2021 道路车辆-网络安全工程》英文原版以及中文机翻版本
2022-05-09 19:00:07 14MB ISO/SAE21434:20 车联网 网络安全
三角网格优化。 具有一个简单界面的多种网格平滑/优化方法。 Optimesh 很快 保留子网格, 仅适用于平面和表面上的三角形网格(目前;如果您对四面体网格平滑感兴趣,请),以及 支持可以处理的所有网格格式。 与安装 pip install optimesh 示例调用: optimesh in.e out.vtk 输出: 左侧图显示了角度分布(网格线处于最佳60度)。 右侧图显示了单纯形质量的分布,其中质量是外接圆和外接圆半径之比的两倍。 所有命令行选项都记录在以下位置: optimesh -h 展示柜 以下示例显示了工作中的各种算法,所有算法均从上面相同的随机生成的磁盘网格开始。 单元格颜色表示质量; 深绿色不好,黄色很好。 CVT(质心Voronoi镶嵌) 均匀密度松弛Lloyd算法( --method lloyd --omega 2.0 ) 均匀密度拟牛顿迭代
2022-05-08 18:00:27 57KB python engineering physics pypi
1
Engineering Equation Solver (EES) 2021 最新教程
2022-05-06 15:44:25 17.82MB EES EngineeringEqua 工程求解器
1
efiXplorer-用于UEFI固件分析和逆向工程自动化的IDA插件 贡献者: 亚历克斯·( ) 安德烈·拉布奈(Andrey Labunets)( ) 菲利普·列别杰夫( ) Yegor Vasilenko( ) 支持的Hex-Rays产品版本:每次我们都专注于IDA和Decompiler的最新版本时,因为我们尝试使用新SDK版本中的最新功能。这意味着我们仅在最新版本的Hex-Rays产品上进行了测试,而不能保证在前几代产品上的稳定工作。 为什么不使用IDApython:所有代码都是用C ++开发的,因为它是支持复杂插件并获得最新SDK功能的全部功能的更稳定和高性能的方法。 支持的平台: Windows,Linux和OSX(x86 / x64)。 efiXplorer的主要功能 自动识别可用的引导服务 自动注释汇编代码中的Boot Services调用 自动识别可用的运行时
2022-05-05 23:39:15 46.43MB firmware reverse-engineering uefi ida-pro
1
MIT经典教材,作者:William J.Dally , John W. Poulton .本书从工程实现的角度分析了高速电路系统原理。对于硬件工程师了解IC、PCB高速等效电路有极大的帮助。 在高速电路中,导线被等效成电阻、电感、电容模型,在不同的应用中做了相应的简化。从中不但可以获得阻抗匹配,线宽、线距,走线拓扑的理论依据, 还可以明白高速情况下,电路失效应该如何分析以及如何去避免,增强芯片设计、PCB设计的稳健性。
2022-05-05 14:09:36 55.89MB MIT 电路
1
高盛工程虚拟计划
2022-05-05 00:07:49 155KB
1
DIY-DRONE [在工作中] DIY无人机-从头开始构建 关于 这是一个学生项目。 我们的意图是使任何人都有机会(几乎)从头开始建造自己的无人机。 我们这样做是因为它很有趣。 项目 该项目分为多个部分/子文件夹: PCB :电路板的Altium项目文件 CODE :用于µ控制器的软件 BODY:3D打印的文件(身体等) APP :用于控制无人机的移动应用 其他:构建指南,手册,工具和零件清单 贡献 您有个好主意或发现了问题? 分叉我们的存储库或转到问题选项卡。 我们始终愿意改进。
2022-04-30 09:22:44 6.72MB android c engineering ios
1
sklearn-feature-engineering 前言 博主最近参加了几个kaggle比赛,发现做特征工程是其中很重要的一部分,而sklearn是做特征工程(做模型调算法)最常用也是最好用的工具没有之一,因此将自己的一些经验做一个总结分享给大家,希望对大家有所帮助。大家也可以到我的博客上看 有这么一句话在业界广泛流传,数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢?顾名思义,其本质是一项工程活动,目的是最大限度地从原始数据中提取特征以供算法和模型使用。 特征工程主要分为三部分: 数据预处理 对应的sklearn包: 特征选择 对应的sklearn包: 降维 对应的sklearn包: 本文中使用sklearn中的IRIS(鸢尾花)数据集来对特征处理功能进行说明,首先导入IRIS数据集的代码如下: 1 from sklearn.datasets
2022-04-25 12:37:34 8KB sklearn kaggle feature-engineering Python
1
NASA 系统工程师手册,系统工程师人手一册,还有一本INCOSE的,建议一起看 这是第二版
2022-04-21 16:53:57 4.05MB NASA Systems Engineering
1