嵌入式C++、MQTT、数据库、Grafana、机器学习（ Scikit-learn）：智能建筑大数据管理平台（代码示例）

于 2024-07-25 13:00:35 发布
阅读量812 收藏 14
点赞数 23
文章标签： c++ 数据库 grafana arm开发 物联网 网络协议 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40431685/article/details/140686732
版权

项目概述

智能建筑管理系统（Intelligent Building Management System, IBMS）是一个集成多种技术的复杂系统，旨在通过智能化手段提升建筑的管理效率、节能效果和居住舒适度。该系统涉及嵌入式系统、物联网（IoT）、大数据分析、云计算等多个领域，构建出一个高效、可靠和智能的建筑环境。

系统设计

硬件设计

  1. 微控制器

    • 采用ARM Cortex-M系列和ESP32微控制器作为核心控制单元，负责数据采集和处理。

  2. 传感器

    • 温度传感器：监测室内外温度。
    • 湿度传感器：监测环境湿度。
    • CO2传感器：监测空气质量。
    • 光照传感器：检测照明需求。
    • 能耗传感器：实时监控能耗情况。

  3. 执行器

    • 智能开关、阀门控制器等，用于自动化控制。

  4. 通信模块

    • Wi-Fi、Zigbee、LoRa等，支持设备间的无线通信。
硬件架构示意图

软件设计

  1. 物联网协议

    • 采用MQTT、CoAP、HTTP/HTTPS和Modbus等协议，确保设备间的有效通信。

  2. 嵌入式软件开发

    • 使用C/C++进行底层开发，Python用于快速原型开发，基于FreeRTOS构建实时操作系统。

  3. 边缘计算

    • 采用Docker容器化部署，利用Kubernetes管理分布式边缘节点，提高系统稳定性与扩展性。

  4. 数据存储

    • 使用时序数据库（InfluxDB、TimescaleDB）存储传感器数据，NoSQL数据库（MongoDB、Cassandra）进行非结构化数据存储，关系型数据库（PostgreSQL、MySQL）用于用户管理与应用数据存储。

  5. 大数据处理

    • 采用Apache Hadoop和Apache Spark处理历史数据，利用Apache Flink进行实时数据处理。

  6. 数据分析与机器学习

    • 使用Python（Pandas, NumPy, Scikit-learn）进行数据分析，深度学习框架（TensorFlow或PyTorch）用于构建预测模型。

  7. 数据可视化

    • 使用Grafana、Tableau和D3.js进行数据展示，帮助管理人员实时监控建筑状态。

  8. 云平台

    • 选择Amazon AWS、Microsoft Azure或Google Cloud Platform提供基础设施支持。

  9. Web开发（管理界面）

    • 前端使用React、Vue.js或Angular，后端使用Node.js、Django或Flask进行API开发。

硬件端代码

以下是一个简单的传感器数据采集和上传的代码实现示例。

代码示例

1. 传感器数据采集
#include <Wire.h>
#include <DHT.h>

#define DHTPIN 2     // DHT传感器连接引脚
#define DHTTYPE DHT11   // DHT 11类型传感器

DHT dht(DHTPIN, DHTTYPE); // 初始化DHT传感器

void setup() {
    Serial.begin(9600); // 启动串口通信
    dht.begin(); // 启动DHT传感器
}

void loop() {
    // 读取温度和湿度数据
    float h = dht.readHumidity();
    float t = dht.readTemperature();

    // 检查读取是否成功
    if (isnan(h) || isnan(t)) {
        Serial.println("读取失败!");
        return;
    }

    Serial.print("湿度: ");
    Serial.print(h);
    Serial.print(" %\t");
    Serial.print("温度: ");
    Serial.print(t);
    Serial.println(" *C");

    // 延时2秒
    delay(2000);
}

代码讲解：

  • 该代码使用DHT传感器读取温度和湿度数据。
  • 在setup()函数中初始化串口和传感器。
  • 在 loop() 函数中，代码每2秒钟读取一次温度和湿度信息。
  • 通过 dht.readHumidity() 和 dht.readTemperature() 函数获取湿度和温度数据。
  • 使用 isnan() 函数检查读取的数据是否有效，如果无效，则打印错误消息。
  • 有效的数据将被打印到串口监视器，便于调试和监控。
2. 数据上传到云平台

以下是一个简单的Python代码示例，用于将传感器数据上传到云端（例如使用MQTT协议）。

import paho.mqtt.client as mqtt
import json
import time

# MQTT服务器配置
broker = "mqtt.example.com"
port = 1883
topic = "building/sensors"

# MQTT回调函数
def on_connect(client, userdata, flags, rc):
    print("连接成功, 返回码: " + str(rc))

# 创建MQTT客户端
client = mqtt.Client()
client.on_connect = on_connect

# 连接到MQTT服务器
client.connect(broker, port, 60)

while True:
    # 模拟传感器数据
    sensor_data = {
        "temperature": 22.5,
        "humidity": 60.0
    }
    
    # 将数据转换为JSON格式
    payload = json.dumps(sensor_data)
    
    # 发布消息到指定主题
    client.publish(topic, payload)
    print("数据已发布: " + payload)
    
    # 延时5秒
    time.sleep(5)

数据存储

1. 使用时序数据库（InfluxDB）

以下示例展示如何使用Python将传感器数据存储到InfluxDB中。

from influxdb import InfluxDBClient
import random
import time

# 创建InfluxDB客户端
client = InfluxDBClient(host='localhost', port=8086, database='building')

while True:
    # 模拟传感器数据
    temperature = random.uniform(20.0, 25.0)  # 生成20-25之间的随机温度
    humidity = random.uniform(30.0, 60.0  )   # 生成30-60之间的随机湿度

    # 构造数据点
    json_body = [
        {
            "measurement": "sensor_data",
            "tags": {
                "location": "office"
            },
            "fields": {
                "temperature": temperature,
                "humidity": humidity
            }
        }
    ]

    # 写入数据到InfluxDB
    client.write_points(json_body)
    print(f"写入数据: 温度={temperature:.2f}, 湿度={humidity:.2f}")

    # 延时5秒
    time.sleep(5)

代码讲解：

  • 该代码使用influxdb Python库连接到InfluxDB。
  • 在无限循环中，随机生成温度和湿度数据，并将这些数据格式化为JSON结构。
  • 使用client.write_points()方法将数据写入InfluxDB的sensor_data测量中。
  • 通过time.sleep(5)实现每5秒写入一次数据。

2. 使用NoSQL数据库（MongoDB）

以下示例展示如何使用Python将传感器数据存储到MongoDB中。

代码讲解：

  • 该Python脚本使用Paho MQTT库创建MQTT客户端，与MQTT服务器建立连接。
  • 在 on_connect 回调函数中，打印连接状态。
  • 使用 client.publish() 方法将传感器模拟数据（温度和湿度）发布到指定的MQTT主题。
  • 数据以JSON格式发送，便于后端系统解析和存储。
  • 代码延时5秒后再次发送数据，形成数据流。

2. 使用NoSQL数据库（MongoDB）

以下示例展示如何使用Python将传感器数据存储到MongoDB中。

from pymongo import MongoClient
import random
import time

# 创建MongoDB客户端
client = MongoClient('localhost', 27017)
db = client['building']
collection = db['sensor_data']

while True:
    # 模拟传感器数据
    sensor_data = {
        "temperature": random.uniform(20.0, 25.0),
        "humidity": random.uniform(30.0, 60.0),
        "timestamp": time.time()
    }

    # 插入数据到MongoDB
    collection.insert_one(sensor_data)
    print(f"插入数据: {sensor_data}")

    # 延时5秒
    time.sleep(5)

代码讲解：

  • 使用pymongo库连接到MongoDB数据库。
  • 在无限循环中，生成一个包含温度、湿度和时间戳的字典。
  • 使用collection.insert_one()方法将数据插入到MongoDB的sensor_data集合中。
  • 每5秒插入一次数据。

3. 使用关系型数据库（PostgreSQL）

以下示例展示如何使用Python将传感器数据存储到PostgreSQL中。

import psycopg2
import random
import time

# 连接到PostgreSQL数据库
conn = psycopg2.connect(
    dbname="building",
    user="your_username",
    password="your_password",
    host="localhost",
    port="5432"
)
cur = conn.cursor()

# 创建表（如果不存在）
cur.execute('''
    CREATE TABLE IF NOT EXISTS sensor_data (
        id SERIAL PRIMARY KEY,
        temperature FLOAT NOT NULL,
        humidity FLOAT NOT NULL,
        timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP
    )
''')
conn.commit()

while True:
    # 模拟传感器数据
    temperature = random.uniform(20.0, 25.0)
    humidity = random.uniform(30.0, 60.0)

    # 插入数据到PostgreSQL
    cur.execute('''
        INSERT INTO sensor_data (temperature, humidity)
        VALUES (%s, %s)
    ''', (temperature, humidity))
    conn.commit()
    print(f"插入数据: 温度={temperature:.2f}, 湿度={humidity:.2f}")

    # 延时5秒
    time.sleep(5)

# 关闭连接
cur.close()
conn.close()

代码讲解：

  • 使用psycopg2库连接到PostgreSQL数据库。
  • 在程序启动时创建sensor_data表（如果不存在）。
  • 在无限循环中生成温度和湿度数据，使用cur.execute()将数据插入到表中。
  • 使用conn.commit()提交事务，确保数据写入数据库。

大数据处理

1. 使用Apache Hadoop

以下是一个简单的Hadoop MapReduce示例，展示如何处理存储在HDFS中的传感器数据。

Mapper（mapper.py）
#!/usr/bin/env python
import sys

# Mapper：读取每一行数据，输出温度和湿度
for line in sys.stdin:
    line = line.strip()
    if line:
        # 假设数据格式为: timestamp, temperature, humidity
        timestamp, temperature, humidity = line.split(',')
        print(f"{timestamp}\t{temperature}\t{humidity}")
Reducer（reducer.py）

#!/usr/bin/env python
import sys

# Reducer：计算平均温度和湿度
total_temperature = 0
total_humidity = 0
count = 0

for line in sys.stdin:
    line = line.strip()
    if line:
        _, temperature, humidity = line.split('\t')
        total_temperature += float(temperature)
        total_humidity += float(humidity)
        count += 1

if count > 0:
    avg_temperature = total_temperature / count
    avg_humidity = total_humidity / count
    print(f"Average Temperature: {avg_temperature:.2f}, Average Humidity: {avg_humidity:.2f}")

代码讲解：

  • mapper.py读取输入的传感器数据，每行数据格式为timestamp, temperature, humidity，并输出到标准输出。
  • reducer.py接收Mapper的输出，计算温度和湿度的平均值，并将结果打印到标准输出。
  • 这个示例展示了Hadoop的基本MapReduce工作原理，适合批量处理历史数据。

2. 使用Apache Spark

以下是使用PySpark进行数据处理的示例，计算传感器数据的平均值。

from pyspark.sql import SparkSession
from pyspark.sql.functions import avg

# 创建Spark会话
spark = SparkSession.builder \
    .appName("SensorDataProcessing") \
    .getOrCreate()

# 读取CSV文件
df = spark.read.csv("hdfs://path/to/sensor_data.csv", header=True, inferSchema=True)

# 计算平均温度和湿度
avg_df = df.select(avg("temperature").alias("avg_temperature"), avg("humidity").alias("avg_humidity"))

# 显示结果
avg_df.show()

# 关闭Spark会话
spark.stop()

代码讲解：

  • 使用SparkSession创建Spark应用。
  • 从HDFS中读取CSV格式的传感器数据，自动推断数据类型。
  • 使用avg()函数计算温度和湿度的平均值，并将结果显示。
  • avg_df.show()打印结果，便于查看数据处理结果。

3. 使用Apache Flink

以下是使用Apache Flink进行实时数据处理的示例，计算实时传感器数据的平均值。

from pyflink.datastream import StreamExecutionEnvironment
from pyflink.common.serialization import SimpleStringSchema
from pyflink.datastream import StreamExecutionEnvironment
from pyflink.datastream.connectors import KafkaSource
from pyflink.common import Types

# 创建Flink执行环境
env = StreamExecutionEnvironment.get_execution_environment()

# 读取数据流（假设数据从Kafka读取）
data_stream = env.add_source(KafkaSource.builder()
    .set_bootstrap_servers("localhost:9092")
    .set_topic("sensor_data")
    .set_group_id("sensor_group")
    .set_value_only_deserializer(SimpleStringSchema())
    .build())

# 定义处理逻辑
def process_data(data):
    # 解析数据
    fields = data.split(',')
    temperature = float(fields[1])
    humidity = float(fields[2])
    return (temperature, humidity)

# 转换数据流并计算平均值
avg_stream = data_stream \
    .map(process_data) \
    .key_by(lambda x: 0) \
    .reduce(lambda x, y: (x[0] + y[0], x[1] + y[1])) \
    .map(lambda x: (x[0] / 2, x[1] / 2))  # 计算平均值

# 输出结果
avg_stream.print()

# 启动Flink程序
env.execute("Sensor Data Average Calculation")

代码讲解：

  • StreamExecutionEnvironment：创建Flink执行环境，作为数据流处理的上下文。
  • KafkaSource：从Kafka读取数据流，假设传感器数据以CSV格式存储，格式为timestamp,temperature,humidity。
  • process_data函数：解析输入数据，将温度和湿度转换为浮点数，返回一个元组。
  • key_by(lambda x: 0)：将所有数据分配到同一组，以便后续的聚合操作。
  • reduce函数：累加温度和湿度的值。这里假设每次调用reduce的输入都是一对温度和湿度元组。
  • 第二个map操作用于计算平均值（除以2，假设每次输入一对数据）。
  • avg_stream.print()：打印计算出的平均值到控制台。
  • env.execute()：启动Flink程序。

数据分析与机器学习

1. 数据分析（使用Pandas）

以下示例展示如何使用Pandas分析传感器数据并计算温度和湿度的平均值。

import pandas as pd

# 从CSV文件读取传感器数据
df = pd.read_csv('sensor_data.csv')

# 显示数据的前5行
print(df.head())

# 计算平均温度和湿度
average_temperature = df['temperature'].mean()
average_humidity = df['humidity'].mean()

print(f"平均温度: {average_temperature:.2f}")
print(f"平均湿度: {average_humidity:.2f}")

代码讲解：

  • 使用pandas库读取存储在CSV文件中的传感器数据。
  • df.head()显示数据的前5行，便于检查数据格式。
  • 使用mean()函数计算温度和湿度的平均值，并打印结果。

2. 机器学习（使用Scikit-learn）

以下示例展示如何使用Scikit-learn构建一个简单的线性回归模型，预测温度。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 从CSV文件读取传感器数据
df = pd.read_csv('sensor_data.csv')

# 准备特征和目标变量
X = df[['humidity']]  # 特征：湿度
y = df['temperature']  # 目标：温度

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)  # 训练模型

# 进行预测
predictions = model.predict(X_test)

# 打印预测结果
for actual, predicted in zip(y_test, predictions):
    print(f"实际温度: {actual:.2f}, 预测温度: {predicted:.2f}")

# 评估模型性能
mse = mean_squared_error(y_test, predictions)
r2 = r2_score(y_test, predictions)
print(f"均方误差: {mse:.2f}")
print(f"R²得分: {r2:.2f}")

代码讲解：

  • 使用pandas库读取存储在CSV文件中的传感器数据。
  • 特征变量X是湿度，目标变量y是温度。
  • 使用train_test_split函数将数据划分为训练集（80%）和测试集（20%）。
  • 创建线性回归模型LinearRegression()并使用fit()方法在训练数据上训练模型。
  • 使用模型的predict()方法对测试集进行预测。
  • 使用mean_squared_error和r2_score评估模型性能，计算均方误差（MSE）和R²得分，并打印实际温度和预测温度的比较结果。

3. 深度学习（使用TensorFlow或PyTorch）

以下是使用TensorFlow构建一个简单的神经网络模型来预测传感器数据的示例。

import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 从CSV文件读取传感器数据
df = pd.read_csv('sensor_data.csv')

# 准备特征和目标变量
X = df[['humidity']].values  # 特征：湿度
y = df['temperature'].values  # 目标：温度

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建神经网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)  # 输出层
])

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)

# 进行预测
predictions = model.predict(X_test)

# 打印预测结果
for actual, predicted in zip(y_test, predictions):
    print(f"实际温度: {actual:.2f}, 预测温度: {predicted[0]:.2f}")

# 评估模型性能
mse = model.evaluate(X_test, y_test)
print(f"均方误差: {mse:.2f}")

代码讲解：

  • 使用pandas读取传感器数据，并准备特征和目标变量。
  • 将数据分为训练集和测试集。
  • 使用StandardScaler进行标准化，确保输入特征的均值为0，标准差为1。
  • 使用tf.keras.Sequential构建一个简单的神经网络模型，包括两层隐藏层和一个输出层。
  • 编译模型时指定优化器（Adam）和损失函数（均方误差）。

 

数据可视化

1. 使用Matplotlib和Seaborn可视化传感器数据

以下示例展示如何使用Matplotlib和Seaborn对传感器数据进行可视化。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 从CSV文件读取传感器数据
df = pd.read_csv('sensor_data.csv')

# 设置绘图风格
sns.set(style='whitegrid')

# 绘制温度和湿度的散点图
plt.figure(figsize=(12, 6))
sns.scatterplot(data=df, x='humidity', y='temperature', color='blue', alpha=0.6)
plt.title('温度与湿度的关系')
plt.xlabel('湿度 (%)')
plt.ylabel('温度 (°C)')
plt.show()

代码讲解：

  • 使用pandas读取传感器数据。
  • 使用seaborn设置绘图风格。
  • 创建一个散点图，x轴为湿度，y轴为温度，使用scatterplot()函数进行绘制。
  • 设置图表标题和坐标轴标签，最后通过plt.show()显示图表。

2. 使用Grafana可视化时序数据

Grafana是一个强大的开源可视化工具，通常与时序数据库（如InfluxDB）配合使用。以下是使用Grafana可视化传感器数据的基本步骤：

  1. 安装Grafana：

    • 可以通过Docker或直接在本地系统上安装Grafana。

  2. 连接InfluxDB：

    • 在Grafana的管理界面中，添加数据源，选择InfluxDB，配置连接信息。

  3. 创建仪表盘：

    • 在Grafana中创建一个新的仪表盘，添加图表面板。
    • 使用InfluxQL或Flux查询语言从InfluxDB中查询传感器数据。

  4. 可视化数据：

    • 根据需要选择合适的图表类型（如折线图、柱状图等）进行数据可视化。

3. 使用Tableau可视化数据

Tableau是一个用户友好的数据可视化工具，适合进行复杂数据分析和可视化。以下是使用Tableau可视化传感器数据的步骤：

  1. 导入数据：

    • 将传感器数据导入Tableau，支持多种数据源，如Excel、CSV、数据库等。

  2. 创建视图：

    • 使用拖放界面创建视图，选择维度（如时间、湿度）和度量（如温度）。
    • 可以创建散点图、折线图、仪表等多种可视化类型。

  3. 交互式分析：

    • 利用Tableau的过滤器和参数功能，实现交互式数据分析，用户可以根据需要选择不同的视图。

项目总结

智能建筑管理系统是一个跨领域的协同应用，涉及嵌入式系统、物联网、大数据、云计算等众多技术。通过整合这些技术，系统能够实现对建筑环境的实时监控和管理，提升了建筑的能源效率和用户的舒适度。

主要特点：

  • 实时监控：通过传感器数据实时监测建筑环境。
  • 智能控制：利用执行器实现自动化控制，提高管理效率。
  • 数据分析：通过大数据技术和机器学习算法，挖掘潜在的节能机会。
  • 灵活部署：基于云计算和边缘计算，系统具备良好的扩展性和可维护性。
极客小张
关注
  • 23
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
mqtt-panel:简单的Grafana面板，允许与mqtt服务器进行通信
05-02
MQTT面板 使grafana通过MQTT完成简单控制任务的面板。 当前，它包含3种控件类型： 每种类型都可以连接到mqtt服务器，并订阅和发布主题。 面板可以使用从JSON编码的主题中...mqtt-panel" --name=grafana grafana/grafana
mqtt-433mhz-dimmable-led：433 Mhz可调光LED MQTT（Homebridge）控制器
02-03
使用nodejs mqtt.js --codesend /path/to/codesend --mqttHost mqtt-broker.local编辑选项以指向您的代码终止二进制文件和MQTT代理 码头工人 克隆此仓库 请按照上述与pi接线有关的第一步 docker-compose up sniffer...
嵌入式C++、InfluxDB、Spark、MQTT协议、和Dash：树莓派集群物联网数据中心设计与实现（代码示例）
嵌入式极客小张
07-21 1079
本文介绍了一个基于树莓派集群的物联网数据中心设计与实现。该系统采用了全面的技术栈，涵盖了从数据采集到分析可视化的完整流程。主要技术包括：使用MQTT协议进行数据采集，Apache Kafka实现高效数据传输，InfluxDB存储时序数据，Apache Spark进行大规模数据处理，Pandas和Scikit-learn用于数据分析和机器学习，最后通过Plotly和Dash创建交互式数据可视化仪表板。
肝了半个月，嵌入式技术栈大汇总出炉
weixin_44719294的博客
06-20 427
包括通用编程基础（C语言、数据结构/算法、操作系统、计网、计组、Linux系统基础）和基本的硬件基础，扎实地掌握这两大基础，是后续持续发展和不断进步的动力源泉。嵌入式是一门交叉学科，一个嵌入式电子产品（比如手机）从底层到上层，一般会涉及半导体芯片、电子电路、计算机、操作系统、多媒体等不同专业领域的知识，由于其碎片化的特点，，最常见的就是内核开发和驱动开发，这些统属于内核态开发范畴，所以需要对操作系统内部机制有所涉猎和理解，在此基础上需要掌握从系统移植到内核开发、驱动开发的各个细节。
BaoAI 框架选型
03-20 372
前端和后端框架选型，深思熟虑 前端和后端实现目的：建立一个简洁、直观、强大和易于掌握的前端和后端SPA开发框架，支持国际化，以模块为基础，让WEB应用、人工智能、大数据和量化系统开发更迅速、更简单。实现大型企业项目的模块化开发，快速部署，无需编译，快速运行。 前端选型： 开发框架选型上，基于当前热门的AngularJS、Angular、VueJS、ReactJS中选择， Angular功能...
Python基础知识(九)：Python第三方扩展库大汇总
u013250861的博客
10-24 4292
Python第三方扩展库大汇总 强大的标准库奠定了python 发展的基石，丰富和不断扩展的第三方库是python 壮大的保证。我们可以进入PyPI 官网：https://pypi.org 我们可以看到发布的第三方库达到了十多万种，众多的开发者为Python 贡献了自己的力量。 分类库 名称 说明 环境管理 P 非常简单的交互式python 版本管理工具 环境管理 Pyenv 简单的Python 版本管理工具 环境管理 Vex 可以在虚拟环境中执行命令 环境管理 Virtual
自动驾驶合集9
whaosoft143ai的博客
01-31 523
自动驾驶（AD）旨在通过创建能够准确感知环境、做出智能决策并在没有人类干预的情况下安全行驶的车辆，彻底改变交通系统。由于令人激动的技术发展，各种自动驾驶产品已在多个领域实施，例如无人出租车。这些对自动驾驶的快速进展在很大程度上依赖于大量的数据集，这些数据集帮助自动驾驶系统在复杂的驾驶环境中变得稳健可靠。近年来，自动驾驶数据集的质量和种类显著增加。数据集开发的第一个显著现象是各种不同的数据收集策略，包括通过仿真器生成的合成数据集和从真实世界记录的数据集等。whaosoft aiot http://143ai.
IT行业的就业方向分析
fasdfasfwerwqf的博客
10-28 106
IT行业是一个充满活力和创新的行业，它涵盖了很多不同的领域和技术，比如软件开发、网络安全、人工智能、大数据、云计算、物联网等。随着IT技术的不断发展和应用，IT行业也为很多人提供了就业机会和发展空间。那么，IT行业的就业方向有哪些呢？哪些方向会更好就业呢？以上就是我认为IT行业的就业方向有哪些的分析。当然，这些方向并不是固定和完整的，它们之间也有很多交叉和融合。无论选择哪个方向，都需要不断地学习和更新自己的知识和技能，以适应IT行业的快速变化和发展。最好的就业领域是根据自己的兴趣、能力和目标来选择的。
paho-mqtt:用于嵌入式平台的Eclipse Paho MQTT CC ++客户端
05-27
paho-mqtt 1、介绍 是 Eclipse 实现的基于 MQTT 协议的客户端，本软件包是在 Eclipse 源码包的基础上设计的一套 MQTT 客户端程序。 paho-mqtt 软件包功能特点以及 MQTT 协议介绍请参考 。 1.1 目录结构 paho-mqtt ...
mqtt-realtime-chart-server：Express.js-MQTT-实时流的Socket.io应用程序
02-05
mqtt-实时图表服务器 该项目使用Rickshaw.js图表​​库演示了高频数据流（50Hz +）的可视化！ mqtt-realtime-chart-server是一个Express.js-MQTT-Socket.io应用程序，可与结合使用。 产品特点 服务器 发布并订阅...
Docker-MQTT-INFLUX-GRAFANA:智能家居系统安装
03-28
码头工人MQTT INFLUX GRAFANA ESP2866 Smarthome系统安装在Mint Linux中。 IoT是带有BME280的NodeMCU ESP2866。 在Raspberry Pi上的安装是相同的，因为raspi是基于debian的，并且使用的容器也可以在该平台上使用。 ...
C语言 之 理解指针（1）
fallzzzzz的博客
07-20 1096
就是先获取该数组的首元素的地址，从前面我们知道，指针的类型的作用是指针+1 所跳过的字节数，int为整形，大小为4个字节，所以p+1就跳过4个字节，p+2就跳过8个字节，计算机的CPU（中央处理器）在处理数据的时候，需要的数据是在内存中读取的，处理后数据也会放回内存中，如果想对这些空间进行高效的管理，就可以。并且我们知道，数组的元素存放是随着下标增长，内存地址变大的。上面的代码创建了一个整型变量n，因为一个整形的大小是4个字节，所以内存中申请了4个字节，⽤于存放整数10，其中每个字节都有地址。
C++二叉搜索树
Jk_Mr的博客
07-20 1105
树结构是一种重要的数据结构。树是一种非线性的数据结构，它是由n（n>=0）个有限结点组成一个具有层次关系的集合。把它叫做树是因为它看起来像一棵倒挂的树，也就是说它是根朝上，而叶朝下的。
C++笔试强训7
m0_74189279的博客
07-21 954
这意味着编译器会尝试将函数的代码直接插入到每个调用该函数的地方，而不是像通常那样进行函数调用（即，生成调用指令，跳转到函数代码，执行函数体，然后返回）。友元函数是在类外部定义的普通函数，它只能通过传入的参数（如果有的话）来访问类的成员，或者通过类的对象显式地访问（如果该函数设计为接受类的对象作为参数）。函数参数默认值又叫缺省参数，缺省参数必须从右向左开始缺省，必须连续给定缺省值，也就是说，从左到右，一旦遇到一个参数是缺省的，那么之后的参数也必须都是缺省的。指针是类成员函数特有的，用于指向调用该函数的对象。
【C++】操作符“new”和“delete”（创建和销毁对象）
qq_65596720的博客
07-19 402
由于C++引入了类的概念所以创建空间和销毁空间变得复杂，使用malloc和free会更加复杂，所以C++引入了new和delete来简化代码。
商品信息管理系统(C语言)
zeyeqianli的博客
07-22 302
该案例使用了C语言中最具特色的结构体，将每个商品的所有信息存在结构体中，并且定义一个结构体类型的数组保存所有商品的信息，并且按照模块化的编程思想，将要实现的每个功能编写成独立的函数，这样即方便阅读同时也方便差错修改。该系统的主要功能如下：(1) 登录系统。(2) 创建商品信息。(3) 打印商品信息。(4) 查询商品信息。(5) 修改商品信息。(6) 删除商品信息。(7) 商品价格排名显示。(8) 退出系统。
C++笔记3：基类指针delete子类对象的内存泄漏问题
subtitle_的博客
07-21 241
C++笔记3：基类指针delete子类对象的内存泄漏问题
C语言-栈和队列
最新发布
m0_73605503的博客
07-22 1127
欢迎来到HanLop博客的C语言数据结构初阶系列。在之前的文章中，我们详细介绍了链表及其操作方法。在本篇文章中，我们将深入探讨栈和队列这两种常见的数据结构。栈和队列虽然都是线性数据结构，但它们在数据的存取方式上有着显著的区别。栈是一种后进先出（LIFO, Last In First Out）的数据结构，而队列则是一种先进先出（FIFO, First In First Out）的数据结构。通过理解和掌握这两种数据结构，您将能更有效地管理数据，并为后续更复杂的数据结构和算法的学习打下坚实的基础。让我们一起开始探
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

极客小张

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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