https://www.yzfuye.com/982.html 期刊信息管理系统是以Visual Basic 6.0为前台，以SQL Server 2000为后台数据库的典型的信息管理系统。 Visual Basic 是专为各种数据库设计的客户端的应用开发工具，它可以和其它数据库服务器构成客户/服务器体系结构，也可以使用任何支持ODBC标准的数据库。 在VB中，可用的数据访问接口有3种： ActiveX数据对象（ADO） 远程数据对象（RDO） 数据访问对象（DAO） 这3种接口分别代表了数据访问技术的不同发展阶段。ADO是最新的技术，它是比RDO和DAO更加简单、更加灵活的对象模型。期刊信息管理系统就使用了ADO作为数据访问接口。

VS2022及对应版本番茄助手，完美支持VS 2022，亲测可用。

三相三线三电平svpwm的C实现，包含中点电压平衡控制，亲测有效，满足工程应用需求。

https://www.yzfuye.com/959.html 功能模块： （1）系统管理：添加用户,修改密码,退出系统等。 （2）员工基本信息管理：添加员工信息,修改员工信息,查询员工信息,删除员工信息。 （3）员工考勤信息管理：包括数据备份、数据恢复、密码更改、系统时钟等。 (4) 员工调动信息管理：添加调动信息,修改调动信息.查询调动信息,删除调动信息

VB源码AES加密算法ECB(亲测可用) 高级加密标准（英语：Advanced Encryption Standard，缩写：AES），在密码学中又称Rijndael加密法，是美国联邦政府采用的一种区块加密标准。这个标准用来替代原先的DES，已经被多方分析且广为全世界所使用。经过五年的甄选流程，高级加密标准由美国国家标准与技术研究院（NIST）于2001年11月26日发布于FIPS PUB 197，并在2002年5月26日成为有效的标准。2006年，高级加密标准已然成为对称密钥加密中最流行的算法之一。

gensis 自动掏铜脚本程序 所有新老GENESIS版本亲测可用

BarTen9.4_SR3亲测可用版，在网上找了很久，发现这个版本最方便，直接按照附件说明文档安装即可使用，后期联网不影响使用。

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

图像去噪最简单的网络之一DnCNN之讲解 softmax softmax​ ​关注他 67 人赞同了该文章 关于DNCNN图像去噪网络的简介 DnCNN是图像去噪领域一篇鼻祖类型的文章，本文是关于该文章主要原理的解读。DnCNN（Denoising Convolutional Neural Network）顾名思义，就是用于去噪的卷积神经网络。 文章标题：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 文章链接：https://arxiv.org/pdf/1608.03981.pdf 如果加载太慢也可以用镜像：http://xxx.itp.ac.cn/pdf/1608.03981.pdf 代码链接： https://github.com/cszn/DnCNN（官方） 或者： https://github.com/SaoYan/DnCNN-PyTorch

记录PointNet PyTorch版本的学习 PyTorch版本PointNet作者Tensorflow版本页面上给出的github地址，这里 数据集 PyTorch版本只给出了ModelNet的数据，只能进行部件分割，但是我想测试S3DIS数据集，所以下载了原作者给的链接中已经处理好的数据，文件为h5格式。 作者对所有的点云进行了采样，每个采样空间是一个立方体，做成一个数据，每个数据有4096个点；一个h5文件中是1000*4096*9个数字，代表1000个点云，每个点云中有4096个点，每个点有9个值xyz，rgb，剩下三个还不知道。 具体处理过程在Tensorflow版本中给出了，太复杂看不太懂。 利用这些处理好的h5文件，结合Tensorflow版本的代码写出PyTorch的数据集class，代码在indoor3d_dataset.py中。 训练 训练的代码基本参考了PyTorch版本的，只是将刚开始数据集的读取改成了S3DIS的，代码在train_indoor_3d.py中。 结果可视化 PyTorch版本用了原作者Tensorflow版本中提供的可视化代码，用ope