上世纪80年代后期，国内开始压实度计方面的研究，也曾开发出机载式压实度仪，由于采用数码管显示，没有采用先进的计算机技术，尽管成本低，但在实际应用中效果并不理想。仪器的实时性不强，显示值和实际测量值不能很好地对应。

该程序是一个基金监控工具，具有图形用户界面（GUI），使用Python的tkinter库构建。主要功能包括： 基金数据监控：通过基金代码（如"000001"）实时获取基金的单位净值、盘中估值、涨跌幅等信息。 持有金额和收益计算：用户可以输入持有金额，程序会自动计算收益和收益率。 基金列表管理：可以添加或删除基金，并保存到本地文件（funds.json）中。 收益曲线图：使用matplotlib绘制总收益金额随时间变化的趋势图，时间以北京时间显示。 新闻抓取：每只基金会抓取相关新闻（通过东方财富网），并在界面中显示，双击可以打开新闻链接。 自动刷新：每隔一定时间（默认为1秒）自动刷新基金数据，新闻数据每5次刷新更新一次。 程序运行后，用户可以在界面顶部输入基金代码和持有金额，点击“添加基金”将其加入监控列表。监控列表以表格形式展示，包括代码、名称、单位净值、估值、涨跌幅、持有金额、收益、收益率和状态。双击持有金额可以修改。下方有收益曲线图，以及新闻展示区域。程序关闭时会自动保存基金列表。

MindManager无法保存 提示参数不正确 打开时老出现Runtime Error 可用该程序修复， 补充：挺好用的，我试过了

标题中的“17KB的网络校时软件”指的是一个体积非常小巧的网络时间同步软件，其大小仅为17KB，不占用过多系统资源，并且无需安装即可使用，体现了软件的便携性和高效性。 网络校时，即网络时间同步，是一项重要的计算机系统管理功能。在计算机系统中，时间的准确性至关重要，尤其是在多台设备协同工作或进行时间敏感操作时，如金融交易、服务器日志记录、分布式计算等。网络校时允许计算机通过网络与权威的时间源（通常为NTP服务器）进行同步，确保所有设备都具有准确的系统时间。 该软件的主要工作原理基于NTP（Network Time Protocol，网络时间协议）。NTP是一种用于同步网络中不同计算机时间的协议，它允许设备相互交换时间信息，调整本地系统时钟，从而达到时间的一致性。NTP通常使用UDP协议在端口123上通信，因为它对延迟和带宽的需求较低。 iTimeSync作为网络校时软件，可能包含了以下关键功能： 1. **自动同步**：能够定期或根据用户设置的条件自动与指定的NTP服务器进行时间同步。 2. **手动同步**：用户可随时手动触发时间校正操作，以检查或更新系统时间。 3. **配置服务器**：允许用户选择信任的NTP服务器，以确保时间源的可靠性和准确性。 4. **日志记录**：记录每次时间同步的操作详情，便于故障排查和审计。 5. **低资源消耗**：由于软件大小仅17KB，说明它设计简洁，运行效率高，不会对系统性能造成显著影响。 6. **便携性**：不需要安装，可以将软件保存在U盘或其他移动存储设备上，随身携带并在任何支持的计算机上使用。 在网络环境中，尤其是企业环境中，网络校时软件的应用可以帮助确保整个网络的时间一致性，减少因时间差异导致的问题，如日志分析困难、安全事件追踪不准确等。对于个人用户而言，保持计算机时间准确也是避免某些服务（如在线交易、云同步等）出现问题的有效手段。 “17KB的网络校时软件”是一个轻量级、高效的工具，它利用NTP协议来提供准确的网络时间同步功能，对于需要精确时间的用户或环境，这样的软件是必不可少的。它的便携性和低资源占用使得它在各种场景下都能灵活应用。

分析和讨论了受激布里渊散射(SBS)阈值计算的Smith模型和Küng模型,研究了更为准确估算光纤中布里渊散射阈值的方法,通过布里渊增益系数与光纤长度的关系,发现对于较短长度光纤,其布里渊增益系数随着光纤长度变化范围较大,仅在长距离光纤时,布里渊增益系数才可以近似为常数。实验测量了25 km单模光纤的受激布里渊散射阈值,推导出用布里渊时域反射仪(BOTDR)测量受激布里渊散射阈值计算公式,最后用布里渊时域反射仪测量了不同长度光纤受激布里渊散射阈值,实验结果与理论分析吻合。

Simulink:registered: Real-Time:trade_mark: 目标支持包提供工具来编译在 Speedgoat 目标计算机上运行的实时应用程序。 支持包包括目标计算机的开发工具和运行时组件。

发布内容为2023年最新全国区划代码（12位），全国31个省（自治区、直辖市），未包括我国台湾省、香港特别行政区和澳门特别行政区。 注意：广东省/东莞市、广东省/中山市、海南省/儋州市未有第3级区县，直接到街道、乡镇。城乡分类代码由3位数字组成，第1位为1表示城镇，第1位为2表示乡村。根据国务院批复的《统计上划分城乡的规定》和《统计用区划代码和城乡划分代码编制规则》，国家统计局建立了《统计用区划代码和城乡划分代码库》。 城乡分类代码为：100城镇、110城区、111主城区、112城乡结合区、120镇区、121镇中心区、122镇乡结合区、123特殊区域、200乡村、210乡中心区、220村庄。 城市区域：包括地级及以上区域的城市行政区、市辖建制镇、县城城区和开发区。其中，县城城区是指县（自治县、县级市）人民政府驻地所在的乡、镇或街道。开发区指由国务院或省、自治区、直辖市人民政府审批的经济技术开发区、高新技术产业开发区、海关特殊监管区域、边境/跨境经济合作区、经济开发区、工业园区、高新技术产业园区等各类开发区。 农村区域：指除城市区域以外的区域。

YOLOv5是一种高效、准确的深度学习目标检测模型，由 Ultralytics 团队开发，其全称为"YOLO: You Only Look Once"的第五代版本。该模型以其快速的推理速度和良好的检测性能而备受青睐，适用于实时场景，如视频分析、自动驾驶等。将YOLOv5部署到ONNXRuntime上，可以进一步优化推理性能，同时利用ONNXRuntime跨平台的特性，实现多硬件支持。 ONNXRuntime是微软和Facebook共同维护的一个高性能的推理引擎，它可以运行多种机器学习框架导出的ONNX（Open Neural Network Exchange）模型。ONNX是一种开放格式，用于表示训练好的机器学习模型，旨在提高不同框架之间的模型共享和推理效率。 在C++中部署YOLOv5到ONNXRuntime的过程主要包括以下步骤： 1. **模型转换**：需要将训练好的YOLOv5 PyTorch模型转换为ONNX格式。这通常通过`torch.onnx.export`函数实现，将PyTorch模型、输入样本形状和其他参数传递给该函数，生成ONNX模型文件。 2. **环境准备**：安装ONNXRuntime C++ API库，确保编译环境支持C++11或更高版本。ONNXRuntime库提供了用于加载、执行和优化模型的API。 3. **加载模型**：在C++代码中，使用ONNXRuntime的` Ort::Session`接口加载ONNX模型。需要提供模型文件路径和会话选项，例如内存分配策略。 4. **数据预处理**：根据YOLOv5的输入要求，对输入图像进行预处理，包括缩放、归一化等操作，使其符合模型的输入规格。 5. **推理执行**：创建` Ort::Value`实例来存储输入数据，然后调用`Session::Run`方法执行推理。此方法接受输入和输出名称及对应的` Ort::Value`对象，执行模型并返回结果。 6. **后处理**：YOLOv5的ONNX模型输出是原始的边界框坐标和类别概率，需要进行非极大值抑制（NMS）等后处理步骤，以去除重复的预测并筛选出高置信度的检测结果。 7. **性能优化**：ONNXRuntime支持硬件加速，如GPU或Intel的VPU，可以通过配置会话选项来启用。此外，可以使用`Ort::ModelOptimizationSession`进行模型优化，以进一步提升推理速度。 在`yolov5-onnxruntime-master`这个项目中，可能包含了完整的C++源码示例，展示了如何实现上述步骤。通过研究源代码，你可以了解到具体的实现细节，例如如何构建会话、处理输入输出数据以及如何进行模型优化。这个项目对于学习如何在C++中部署ONNX模型，特别是目标检测模型，具有很高的参考价值。 YOLOv5在ONNXRuntime上的实时部署涉及到模型转换、环境配置、会话管理、数据处理和性能优化等多个环节。C++的ONNXRuntime API提供了强大的工具来实现这些功能，使得高性能的AI应用开发变得更加便捷。

C# WPF上位机基于Modbus RTU实现串口通信与可视化数据处理，支持实时报警与历史查询，结合MVVM思想开发报表及数据可视化功能,C#WPF上位机 Modbus RTU通讯协议 使用MVVMLight框架 MVVM思想 进行项目分层 使用NPOI可进行导入Excel表格 制作报表 学习专用 使用Modbus Poll 以及Modbus Slave仿真实践通过 仿真实践项目 使用SerialInfo 进行 RTU 自己写一些简单的读写操作 可实时显示 串口仿真方传来的数据 进行可视化处理 可查询以往报警数据 在历史曲线可以看到历史 三台机器的报警比例 以及次数 ， 还有报警时间以及报警数值的可视化 可以查询历史报警数据 精确到秒 ,C#; WPF; 上位机; Modbus RTU; MVVMLight框架; MVVM思想; 项目分层; NPOI; Excel报表; Modbus Poll; Modbus Slave; SerialInfo; RTU通讯; 读写操作; 实时显示; 串口仿真; 数据可视化; 查询报警数据; 历史曲线; 报警比例; 报警次数; 报警时间; 报

本文详细介绍了使用ORCA（Optimal Reciprocal Collision Avoidance）算法进行动态速度避障的原理和实现方法。ORCA算法通过计算Agent之间的相对速度和位置，生成约束线以避免碰撞。文章首先解释了速度避障的基本原理，包括如何将空间坐标系转换为速度坐标系，并详细描述了如何计算最快脱离碰撞区域的向量。接着，文章介绍了如何获取邻居Agent并生成约束线，以及通过动态规划求解可行速度范围的过程。最后，提供了完整的示例代码和测试效果，展示了ORCA算法在多Agent导航中的实际应用。 ORCA动态速度避障算法是一种用于多智能体系统中的避障方法，尤其适用于需要在动态环境中进行实时避障的场景。算法的核心思想是通过分析智能体（Agent）之间的相对速度和位置信息，计算出最优的相对运动策略，确保在保证安全的前提下以最快的速度脱离潜在的碰撞区域。 在详细阐述ORCA算法的实现之前，文章首先介绍了速度避障的基本原理。这包括将传统的空间坐标系转换为速度坐标系，从而使得动态避障问题得以在速度空间内得到解决。文章进一步解释了如何根据Agent之间的相对运动状态确定最快的脱离向量，以此为基准来避免与其他Agent的碰撞。 在算法的具体实施部分，文章着重讲解了如何识别邻近的Agent，并基于这些Agent的信息生成约束线。这些约束线实质上是速度空间中的线性约束，它们定义了在保持不碰撞的前提下，Agent可以选择的速度范围。通过这些约束线，可以构建出一系列的线性规划问题，以求解在每个时间步中Agent可行的速度向量。 文章还详细说明了动态规划算法如何被应用于求解这些线性规划问题，从而确保在多Agent环境下的实时计算效率和安全性。动态规划的引入使得算法能够在考虑未来可能的状态变化的情况下，实时地计算出最优的速度向量。 为了加强理论与实践的结合，文章还提供了完整的源代码以及测试结果。这些示例代码不仅包含算法的主体逻辑，还包括了用于生成约束线、求解线性规划问题以及可视化测试结果的辅助函数。通过运行这些示例代码，用户能够观察到ORCA算法在具体多Agent导航场景中的表现，以及如何有效地避免碰撞并优化路径。 ORCA动态速度避障算法以其理论的严谨性和实现的高效性，在多智能体系统导航领域中占据了重要地位。通过实时的相对速度和位置计算，结合动态规划技术，ORCA算法不仅保证了避障的安全性，也展现了极佳的实时处理能力，为多智能体系统的自主导航提供了强有力的技术支持。