数据可视化组态编辑器—TopV

TopV组态编辑器是一款基于HTML5的物联网数据可视化工具,支持图形组态、MQTT和Kafka数据接入。其特点包括图形和3D图库、自定义图标编辑、交互事件监听、数据绑定及动画编辑等功能,适用于多种行业场景。该编辑器提供无代码开发体验,支持实时更新和历史回放,可与企业平台无缝整合。
摘要由CSDN通过智能技术生成

图扑TopV 组态编辑器,是一款应用于广泛物联网场景的数据可视化编辑器。

软件前端界面采用标准 HTML5 开发,支持图形组态,支持 MQTT、Kafka、HTTP 数据接入。可与企业自有平台无缝整合,可以轻松地与用户自有系统整合为一个功能全面的应用平台。

组态编辑器

产品功能

标准HTML5实现  

采用标准HTML5,不依赖插件,内置 2D/3D图形引擎;支持PC、手机平台浏览应用;可定制化制作 3D 可视化应用。

完备的图库支持  

提供基础图标库,包括数量框、时钟、仪表盘、扇叶.指⽰灯、开关等。提供基于 Echarts 封装的图表库,支持实时曲线、历史曲线、折线图、柱状图、饼图等。另外还⽀持⼯业、电⽓、电信、建筑等多种⾏业图标库。

图形编辑功能

⽀持⽤户⾃定义图标,可封装⾃定义业务属性,可在组态画面中重复使用该自定义图元并实现业务属性数据绑定。可以基于基本图标,方便的扩展构建各种复合图标。

交互功能

支持监测型画面的组态,支持基本的交互型功能画面的构建。支持事件监听包括鼠标事件、触摸事件(事件类似包括单击、双击、按下、抬起)。图标中的每个元素支持单独定义交互回调。提供预置的交互动作包括切换画面、弹出画面、打开链接、远程控制、远程调参、闪烁复归、历史回放。

数据绑定

提供数据绑定功能,支持点位实时数据绑定、HTTP 数据绑定、预置数据集绑定,支持通过 javascript 脚本对绑定的数据进行处理。

动画编辑

提供动画编辑功能,通过无需任何脚本和代码即可实现旋转、闪烁、流动、位移、缩放等常见动画效果。支持在图标内部封装动画,一次定义重复使用。

功能特色

支持基本的交互型功能画面的构建

支持事件监听包括鼠标事件、触摸事件(事件类似包括单击、双击、按下、抬起)。

提供预置的交互动作

切换画面、弹出画面、打开链接、远程控制、远程调参、闪烁复归、历史回放。

提供数据绑定功能

支持实时数据绑定、HTTP 数据绑定、预置数据集绑定,支持通过 Javascript 脚本对绑定的数据进行处理。

组态编辑

可将制作好的组态画面发布分享,提供独立的访问地址,允许通过密码访问或者公开访问,可嵌入用户第三方平台或网站。

产品优势

矢量图形引擎:采用标准 HTML5 实现,不依赖插件,采用 Canvas 进行绘制,非 SVG 技术,可支持上万图元的渲染。

实时更新数据更新采用变化推送机制,相对于传统组态的主动刷新机制来说,变化推送机制具有实时性高、带宽占用低、资源消耗小的优势。

无代码开发:不需要编程即可轻松制作图形监控画面。

图标编辑器:用户可以通过拖拉拽的方式,自己制作动态图标,满足个性化需求。

设备图标:制作组态画面时,只需要绑定设备,点位属性将自动绑定,极大减少制图时间。

动画编辑:提供常见的旋转、缩放、位移、闪烁、流动动画功能,无须编写代码通过简单地配置即可制作出生动的动画效果。

历史回放:支持图形画面历史回放功能,可以设置播放速度支持慢放、快放、暂停。

水泥制备部分工艺流程图

煤粉制备工艺流程图

自来水工艺流程图

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch是一个非常流行的深度学习框架,可以用来构建编解码器网络。编解码器网络可以用于自然语言处理、图像处理等任务,其中编码器将输入数据转换为一个中间表示,解码器将中间表示转换为输出数据。以下是一个简单的编解码器网络的PyTorch实现示例: ``` import torch import torch.nn as nn # 定义编码器网络 class Encoder(nn.Module): def __init__(self, input_size, hidden_size): super(Encoder, self).__init__() self.hidden_size = hidden_size self.embedding = nn.Embedding(input_size, hidden_size) self.gru = nn.GRU(hidden_size, hidden_size) def forward(self, input): embedded = self.embedding(input) output, hidden = self.gru(embedded) return output, hidden # 定义解码器网络 class Decoder(nn.Module): def __init__(self, hidden_size, output_size): super(Decoder, self).__init__() self.hidden_size = hidden_size self.embedding = nn.Embedding(output_size, hidden_size) self.gru = nn.GRU(hidden_size, hidden_size) self.out = nn.Linear(hidden_size, output_size) self.softmax = nn.LogSoftmax(dim=1) def forward(self, input, hidden): output = self.embedding(input).view(1, 1, -1) output, hidden = self.gru(output, hidden) output = self.softmax(self.out(output[0])) return output, hidden # 定义整个编解码器网络 class EncoderDecoder(nn.Module): def __init__(self, encoder, decoder): super(EncoderDecoder, self).__init__() self.encoder = encoder self.decoder = decoder def forward(self, input, target, teacher_forcing_ratio=0.5): max_len = target.size(0) batch_size = target.size(1) vocab_size = self.decoder.out.out_features output = torch.zeros(max_len, batch_size, vocab_size) encoder_output, hidden = self.encoder(input) decoder_input = torch.tensor([[SOS_token]] * batch_size, device=device) for t in range(max_len): decoder_output, hidden = self.decoder(decoder_input, hidden) output[t] = decoder_output is_teacher = random.random() < teacher_forcing_ratio topv, topi = decoder_output.topk(1) decoder_input = (target[t] if is_teacher else topi.squeeze().detach()) if is_teacher == False and decoder_input.item() == EOS_token: break return output ``` 这里定义了一个包含编码器和解码器的整个网络类,它接受输入、目标和teacher forcing比率,使用编码器将输入转换为中间表示,再使用解码器将中间表示转换为输出。其中编码器使用了一个嵌入层和一个GRU层,解码器使用了一个嵌入层、一个GRU层、一个线性层和一个softmax层。在整个网络的前向传播过程中,使用了teacher forcing技术来加速训练过程。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值