oschina_40914891的博客

IEC61850标准是电力系统自动化领域唯一的全球通用标准。它通过标准的实现，实现了智能变电站的工程运作标准化。使得智能变电站的工程实施变得规范、统一和透明。 文件包含IEC61850相关的多个DLL,iec61850.dll,iec61850dotnet.dll,nunit.framework.dll,前两个是必须的在工程中引用第二个，即可使用相关的接口功能

原理就是把文件分段，生成二维码，接收端截屏+解析，最后还原出文件内容; 把jar复制到远程桌面里面。 在远程桌面内运行jar，点击"Sender"。 保证FromForm的界面完整显示，不被其他窗口或者远程桌面的边框所遮盖。你可以在设置界面调整QR code图片的大小和布局（从ToForm进）。 在远程桌面外运行jar，点击"Start"，你会看到一个消息描述了捕捉区域，如果没有，很可能是因为FromForm被挡住了没有完全显示。 在远程桌面里的FromForm界面选择需要发送的文件/文件夹，然后点击"Send"，你会在两边都看到传输进度条。 等待传输完成。

This iPhone 6 is running iOS 10.3.1 (14E304), which may not be supported by this version of Xcode. Could not find Developer Disk Image

基于Visual Studio 2019 C++编译的64位IEC61850动态库，操作接口及编译参考https://blog.csdn.net/rpybx/article/details/119568004

MySQL数据库系统表说明和主要系统表详细说明！里面有两个word文档，一个介绍了MySQL系统数据库information_schema里的所有表信息，一个介绍了MySQL系统数据库information_schema里主要表的详细信息，包括每个表字段的说明。

技术方案设计文档模板.txt

掌阅书城客户端产品需求文档 iphone_v2.0.0_本地功能.doc

Vuexy – Vuejs + HTML Admin Dashboard Template – is the most developer friendly & highly customisable VueJS + HTML Admin Dashboard Template based on Vue CLI, Vuex & Vuexy component framework. 功能强大的VUE后台模板（只有VUE）

HT for Web 您可以轻松构建现代化的，跨桌面和移动终端的企业应用，无需担忧跨平台兼容性，及触屏手势交互等棘手问题

此模板于2019年11月12日已升级至2.9.3版本主要升级内容 1，bootstrap框架升级至4.3.1。 2，增加.net core 3.0完整版本和空项目 3，增加Ruby on Rails(6.0)完整版本和空项目

app产品需求文档 （内含六个产品需求文档word文档 公司项目文档）

NSPINIA是平面设计理念的管理模板。它是充分响应的由Bootstrap4 +框架开发的模板,HTML5和CSS3。它有很多可重用的UI组件和集成了最新的jQuery插件。它可以用于所有类型的web应用程序自定义管理面板中,项目管理系统,管理仪表板,应用程序的后端,CMS或CRM。 1，bootstrap框架升级至4.1。

hyper-ui，超好看的前端框架，是一套超好看的前端框架

super-admin 前端框架，v2.1.2版本，是一套非常花俏的UI界面，

inspinia 前端框架，v 2.8最新版本，是一套非常好的UI界面，

VMWare for mac的tools，最新版本10.1.2。安装vmtools的时候设置关联到该iso文件既可以识别安装

demo中是整合SSH+Activiti的环境搭建的简易demo，通俗易懂，适合于初学者

Java 8函数式编程, 本书采用了示例驱动的写作风格：介绍完一个概念之后，就会紧跟一段代码。代码中的一些片段，有时你可能无法全部看懂。没关系，通常在代码后面会紧跟一段文字，讲解代码的细节。

深度学习是计算机科学与人工智能的重要组成部分。全书16章，分为理论与实践应用两部分，同时介绍5种深度学习主流平台的特性与应用，最后给出了深度学习的前沿进展介绍，另附带47种相关网络模型的实现代码。本书具有以下的特点： 一、内容系统全面 全书16章，覆盖了深度学习当前出现的诸多经典框架或模型，分为两个部分。第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法，如卷积神经网络、深度生成模型等；第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用，如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新研究进展，提供可基于5种平台实现的47中深度网络代码，以便有兴趣的读者进一步钻研探索。 二、叙述立场客观 作为深度学习的入门教材，尽可能不带偏见地对材料进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍，并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析，并给出深度学习应用实践的经验总结。 三、设计装帧精美 该书设计人性化，文字、公式、数学符号混排格式美观精致，特别是，全书采用全彩印制，软精装装帧。封面设计清新却不脱俗、学术化，足可以看出 出版社和作者的用心。 媒体推荐 IEEE Fellow获得者焦李成教授学术著作，系统论述深度学习的基本理论、算法及应用，展望深度学习的前沿方向。 作者简介 焦李成，男，汉族，1959年10月生，1992年起任西安电子科技大学教授。现任智能感知与计算国际联合研究中心主任、智能感知与图像理解教育部重点实验室主任、智能感知与计算国际合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地（“111计划”）主任、教育部科技委国际合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEE GRSS西安分会主席，IEEE TGRS副主编、教育部创新团队首席专家。国务院学位委员会学科评议组成员、教育部本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家，1996年首批入选国家“百千万”人才工程（第壹、二层次）。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算，培养的十余名博士获全国优秀博士学位论文奖、提名奖及陕西省优秀博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项，出版学术专著十余部，五次获国家优秀科技图书奖励及全国首届三个一百优秀图书奖。所发表的论著被他人引用超过25000余篇次，H指数为65。 目录 第1章深度学习基础1 1.1数学基础2 1.1.1矩阵论2 1.1.2概率论3 1.1.3优化分析5 1.1.4框架分析6 1.2稀疏表示8 1.2.1稀疏表示初步8 1.2.2稀疏模型20 1.2.3稀疏认知学习、计算与识别的范式24 1.3机器学习与神经网络31 1.3.1机器学习31 1.3.2神经网络36 参考文献38 第2章深度前馈神经网络41 2.1神经元的生物机理42 2.1.1生物机理42 2.1.2单隐层前馈神经网络43 2.2多隐层前馈神经网络45 2.3反向传播算法47 2.4深度前馈神经网络的学习范式48 参考文献51 第3章深度卷积神经网络54 3.1卷积神经网络的生物机理及数学刻画55 3.1.1生物机理55 3.1.2卷积流的数学刻画56 3.2深度卷积神经网络61 3.2.1典型网络模型与框架61 3.2.2学习算法及训练策略69 3.2.3模型的优缺点分析71 3.3深度反卷积神经网络73 3.3.1卷积稀疏编码74 3.3.2深度反卷积神经网络75 3.3.3网络模型的性能分析与应用举例77 3.4全卷积神经网络77 3.4.1网络模型的数学刻画77 3.4.2网络模型的性能分析及应用举例79 参考文献80 第4章深度堆栈自编码网络83 4.1自编码网络84 4.1.1逐层学习策略84 4.1.2自编码网络84 4.1.3自编码网络的常见范式87 4.2深度堆栈网络90 4.3深度置信网络／深度玻尔兹曼机网络93 4.3.1玻尔兹曼机／受限玻尔兹曼机93 4.3.2深度玻尔兹曼机／深度置信网络94 参考文献96 第5章稀疏深度神经网络99 5.1稀疏性的生物机理100 5.1.1生物视觉机理100 5.1.2稀疏性响应与数学物理描述102 5.2稀疏深度网络模型及基本性质102 5.2.1数据的稀疏性103 5.2.2稀疏正则103 5.2.3稀疏连接104 5.2.4稀疏分类器设计106 5.2.5深度学习中关于稀疏的技巧与策略108 5.3网络模型的性能分析110 5.3.1稀疏性对深度学习的影响110 5.3.2对比实验及结果分析110 参考文献111 第6章深度融合网络113 6.1深度SVM网络114 6.1.1从神经网络到SVM114 6.1.2网络模型的结构115 6.1.3训练技巧117 6.2深度PCA网络117 6.3深度ADMM网络119 6.4深度极限学习机121 6.4.1极限学习机121 6.4.2深度极限学习机123 6.5深度多尺度几何网络125 6.5.1深度脊波网络125 6.5.2深度轮廓波网络127 6.6深度森林130 6.6.1多分辨特性融合131 6.6.2级联特征深度处理131 参考文献133 第7章深度生成网络136 7.1生成式对抗网络的基本原理137 7.1.1网络模型的动机137 7.1.2网络模型的数学物理描述139 7.2深度卷积对抗生成网络141 7.2.1网络模型的基本结构141 7.2.2网络模型的性能分析144 7.2.3网络模型的典型应用146 7.3深度生成网络模型的新范式151 7.3.1生成式对抗网络的新范式151 7.3.2网络框架的性能分析与改进154 7.4应用驱动下的两种新生成式对抗网络155 7.4.1堆栈生成式对抗网络155 7.4.2对偶学习范式下的生成式对抗网络158 7.5变分自编码器160 参考文献162 第8章深度复卷积神经网络与深度二值神经网络167 8.1深度复卷积神经网络168 8.1.1网络模型构造的动机168 8.1.2网络模型的数学物理描述168 8.2深度二值神经网络172 8.2.1网络基本结构172 8.2.2网络的数学物理描述173 8.2.3讨论176 参考文献177 第9章深度循环和递归神经网络180 9.1深度循环神经网络181 9.1.1循环神经网络的生物机理181 9.1.2简单的循环神经网络181 9.1.3深度循环神经网络的数学物理描述183 9.2深度递归神经网络188 9.2.1简单的递归神经网络188 9.2.2深度递归神经网络的优势189 9.3长短时记忆神经网络190 9.3.1改进动机分析190 9.3.2长短时记忆神经网络的数学分析191 9.4典型应用192 9.4.1深度循环神经网络的应用举例193 9.4.2深度递归神经网络的应用举例194 参考文献194 第10章深度强化学习197 10.1深度强化学习基础198 10.1.1深度强化学习的基本思路198 10.1.2发展历程198 10.1.3应用的新方向200 10.2深度Q网络201 10.2.1网络基本模型与框架201 10.2.2深度Q网络的数学分析202 10.3应用举例—AlphaGo204 10.3.1AlphaGo原理分析205 10.3.2深度强化学习性能分析206 参考文献207 第11章深度学习软件仿真平台及开发环境209 11.1Caffe平台210 11.1.1Caffe平台开发环境210 11.1.2AlexNet神经网络学习210 11.1.3AlexNet神经网络应用于图像分类212 11.2TensorFlow平台215 11.2.1TensorFlow平台开发环境215 11.2.2深度卷积生成式对抗网DCGAN216 11.2.3DAN应用于样本扩充217 11.3MXNet平台220 11.3.1MXNet平台开发环境220 11.3.2VGG—NET深度神经网络学习222 11.3.3图像分类应用任务225 11.4Torch 7平台226 11.4.1Torch 7平台开发环境226 11.4.2二值神经网络227 11.4.3二值神经网络应用于图像分类239 11.5Theano平台233 11.5.1Theano平台开发环境233 11.5.2递归神经网络234 11.5.3LSTM应用于情感分类任务237 参考文献238 第12章基于深度神经网络的SAR／PolSAR影像地物分类240 12.1数据集及研究目的241 12.1.1数据集特性分析241 12.1.2基本数据集244 12.1.3研究目的247 12.2基于深度神经网络的SAR影像地物分类251 12.2.1基于自适应自编码和超像素的SAR图像分类251 12.2.2基于卷积中层特征学习的SAR图像分类257 12.3基于第一代深度神经网络的PolSAR影像地物分类263 12.3.1基于稀疏极化DBN的极化SAR地物分类263 12.3.2基于深度PCA网络的极化SAR影像地物分类267 12.4基于第二代深度神经网络的PolSAR影像地物分类271 12.4.1基于深度复卷积网络的极化PolSAR影像地物分类271 12.4.2基于生成式对抗网的极化PolSAR影像地物分类274 12.4.3基于深度残差网络的极化PolSAR影像地物分类278 参考文献280 第13章基于深度神经网络的SAR影像变化检测284 13.1数据集特点及研究目的285 13.1.1研究目的285 13.1.2数据基本特性288 13.1.3典型数据集291 13.2基于深度学习和SIFT特征的SAR图像变化检测293 13.2.1基本方法与实现策略284 13.2.2对比实验结果分析295 13.3基于SAE的SAR图像变化检测299 13.3.1基本方法与实现策略299 13.3.2对比实验结果分析303 13.4基于CNN的SAR图像变化检测305 13.4.1基本方法与实现策略305 13.4.2对比实验结果分析307 参考文献309 第14章基于深度神经网络的高光谱图像分类与压缩311 14.1数据集及研究目的312 14.1.1高光谱遥感技术312 14.1.2高光谱遥感的研究目的313 14.1.3常用的高光谱数据集314 14.2基于深度神经网络的高光谱影像的分类318 14.2.1基于堆栈自编码的高光谱影像的分类319 14.2.2基于卷积神经网络的高光谱影像的分类325 14.3基于深度神经网络的高光谱影像的压缩333 14.3.1基于深度自编码网络的高光谱图像压缩方法334 14.3.2实验设计及分类结果336 参考文献338 第15章基于深度神经网络的目标检测与识别340 15.1数据特性及研究目的341 15.1.1研究目的341 15.1.2常用数据集343 15.2基于快速CNN的目标检测与识别345 15.2.1R—CNN346 15.2.2FastR—CNN348 15.2.3FasterR—CNN349 15.2.4对比实验结果与分析352 15.3基于回归学习的目标检测与识别353 15.3.1YOLO353 15.3.2SSD356 15.3.3对比实验结果分析359 15.4基于学习搜索的目标检测与识别360 15.4.1基于深度学习的主动目标定位360 15.4.2AttentionNet363 15.4.3对比实验结果分析365 参考文献366 第16章总结与展望368 16.1深度学习发展历史图369 16.1.1从机器学习、稀疏表示学习到深度学习370 16.1.2深度学习、计算与认知的范式演进371 16.1.3深度学习形成脉络375 16.2深度学习的典型应用375 16.2.1目标检测与识别375 16.2.2超分辨376 16.2.3自然语言处理376 16.3深度神经网络的可塑性377 16.3.1旋转不变性377 16.3.2平移不变性378 16.3.3多尺度、多分辨和多通路特性378 16.3.4稀疏性379 16.4基于脑启发式的深度学习前沿方向380 16.4.1生物神经领域关于认知、识别、注意等的最新研究进展380 16.4.2深度神经网络的进一步研究方向382 16.4.3深度学习的可拓展性383 参考文献383 附录A基于深度学习的常见任务处理介绍386 附录B代码介绍393

docker，Docker 教程 ，Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从Apache2.0协议开源。

FastDFS is an open source high performance DFS ( distributed file system ). It's major functions include: file storing, file syncing and file accessing, and design for high capacity and load balancing. FastDFS是一个开源的轻量级分布式文件系统，它对文件进行管理，功能包括：文件存储、文件同步、文件访问（文件上传、文件下载）等，解决了大容量存储和负载均衡的问题。特别适合以文件为载体的在线服务，如相册网站、视频网站等等。 FastDFS为互联网量身定制，充分考虑了冗余备份、负载均衡、线性扩容等机制，并注重高可用、高性能等指标，使用FastDFS很容易搭建一套高性能的文件服务器集群提供文件上传、下载等服务。