- 综合排序
- 最热优先
- 最新优先
- 来自专栏石开之旅
四轴笔记----无线透传模块|无线图传|遥控和接收机|无线数传
一、无线透传模块 所谓透传就是透明传输，透明传输就是在数据传输过程中，发送方和接收方数据的长度和内容完全一致，不需对数据做任何处理，相当于一条数据线或者串口线，只不过把有线变成无线。 二、无线图传模块 四轴通常由遥控系统和图传系统进行无线传输，常见的无人机遥控，主要还是源自遥控模型的遥控系统，通常采用2.4G频率的信号进行操作指令的传输。 图传系统通常采用5.8G模拟图传模块。在很多航拍无人机上，通常可以看到这样带有“蘑菇状天线”的发射器，这是图传系统的发射装置，通常采用5.8G频率的信号把图像画面传回地面。 另外还会有1.2G、2.4G等不同信号频段的图传，不过通常1.2G图传会影响GPS信号，2.4G图传又会影响2.4G遥控的信号，所以5.8G图传较为流行。 四、数传模块 数传仅仅是传输数据的作用，飞控通过数传连接地面站可以查看飞控数据，调参，另外给飞控发送飞行指令等，这个和接收机不一样，接收机是和遥控通讯，而数传是和电脑上地面站通讯，直接通过USB把数传中的一个接到电脑上
3.1K30发布于 2019-01-11 - 来自专栏机器学习与统计学
Python 入门路线图（2024 极简无废话版）
大家好，我是Python爱好者章北海 梳理一个Python从入门到精通路线图 大家都挺忙的，突出一个无废话 注：时间仅供参考 第一阶段：基础入门 (0-3个月) 1.
1.3K10编辑于 2024-12-06 - 来自专栏在线工具
图片太大传不上？试试这个免费在线图片压缩工具 Squoosh
Squoosh 是 Google Chrome Labs 推出的开源图片压缩工具，打开网页后，直接把图片拖进去就能处理。
1.5K10编辑于 2026-05-13 - 来自专栏工业4G路由器解决方案
MR300C工业内窥镜机器人无线图传模块USB摄像头视频转WIFI转网口串口透传的特点与使用方法
MR300C图传模块凭借其集成化的设计、低功耗特性及多平台兼容性，成为解决这一问题的理想选择。本文将详细解析其技术原理、核心优势及应用场景。 一、技术原理：视频流与串口透传的双重集成MR300C模块通过USB接口连接摄像头，将采集的MJPEG格式视频数据编码为HTTP协议流，并默认推送至局域网8080端口。 同时，模块的UART1接口支持与TCP客户端的数据透传。 115200波特率：满足高速数据传输需求，如机器人传感器数据回传或实时控制指令下发。 机器人视觉系统搭配1080P摄像头，模块可实时传输机器人工作环境画面至控制终端，同时通过串口透传接收编码器、IMU等传感器数据，实现闭环控制。
99510编辑于 2025-10-25 - 来自专栏工业4G路由器解决方案
路由无线WiFi模块数据透传工业串口WiFi模块的分类
物联网控制作为新兴行业优势凸显出来，其无接触式的交互方式，远程控制，智能控制车间，给疫情期间的人民带来安全、智能的生活体验。这些物联网控制大多用到了网关信息桥梁来传输—wifi 路由模块。但你知道吗？ 工程师们想要选择高性价比的wifi路由模块做串口透传，不得不知道wifi路由模块的两大区分：mcu+wifi模块和CPU+wifi模块。最近总有客户问其中的区别，现在小编来为您安排。 核心主控是带有Linux系统，硬件接口比较多，多个串口透传，5个网口还可以自动分支。 带宽比较大，能同时运营比较复杂的指令，如有线转WiFi、4G转WiFi、吸顶AP、工业串口、4G路由器、无线音箱、无线存储扩容、无线图传、数据透传、工业路由器、wifi打印机等等。 功耗和价格相对也高一点，目前能已将4G LTE转WiFi或网口，串口数据透传， WiFi-音响测试， WiFi-U盘测试， WiFi-图传测试功能集成一个wifi路由模块的有BOJINGnet的RMS7688AN
1.6K30编辑于 2022-07-28 - 来自专栏RTSP/RTMP直播相关
无线图传下的低延迟视频传输播放技术探讨
技术背景无线图传技术即无线图像传输技术，是指不用布线（线缆）利用无线电波来传输图像数据的技术。一、工作原理无线图传技术主要涉及图像采集、编码、调制、发射、接收、解调、解码和图像显示等环节。 一般来说，低功率的无线图传设备适用于短距离传输，如室内、小型活动场地等；而高功率的无线图传设备则可以用于长距离传输，如户外、大型活动现场等。 例如，在无人机航拍中，需要使用传输距离较远的无线图传设备，以便将无人机拍摄的画面实时传输到地面控制站。而在家庭监控中，短距离的无线图传设备就可以满足需求。 三、应用领域无线图传技术广泛应用于多个领域，如影视制作、新闻直播、活动直播、无人机航拍、安防监控、教育、医疗等。具体应用案例可参考上文对无线图传使用场景的描述。 硬件选型与优化：高性能图传模块：选择传输速率高、信号稳定性强的无线图传模块。
2K10编辑于 2024-11-25 - 来自专栏技术进阶之路
计算机网络总结 8800字
1-07 internet（互联网）：通用名词，泛指由多台计算机网络互连而成的网络，协议无特指。Internet（因特网）：专用名词，特指采用 TCP/IP 协议的互联网络。 解：①1Mb/s:传播时延=0.1/(2×108)=5×10-10 比特数=5×10-10×1×106=5×10-4 1Gb/s: 比特数=5×10-10×1×109=5×10-1 ②1Mb/s: 传播时延 /(2×108)=5×10-7 比特数=5×10-7×1×106=5×10-1 1Gb/s: 比特数=5×10-7×1×109=5×102 ③1Mb/s: 传播时延=100000/(2×108)=5×10 -4 比特数=5×10-4×1×106=5×102 1Gb/s: 比特数=5×10-4×1×109=5×105 ④1Mb/s: 传播时延=5000000/(2×108)=2.5×10-2 比特数=2.5 S·A=（＋1－1＋3＋1－1＋3＋1＋1）／8=1， A发送1 S·B=（＋1－1－3－1－1－3＋1－1）／8=－1， B发送0 S·C=（＋1＋1＋3＋1－1－3－1－1）／8=0， C无发送 S
1.1K10发布于 2020-07-31 - 来自专栏大模型应用
大模型应用：Skill架构解析：理解大模型Skill的本质、核心组成和本地模型实践.116
为了让大家真正理解Skill的本质吃透Skill，今天我们设计了一个极简、可运行、无外部依赖的基础示例，作为贯穿全文的入门抓手。 = { "name": "simple_calculator", # Skill名称 "description": "解决简单的数字计算问题，支持加减乘除，输入为数学表达式（如3+5、10 -4*2） === 大模型解析用户需求 === 提取到的计算表达式：10-4*2 === 调用计算Skill === === 大模型整理结果 === 最终回答： 你要计算的表达式是10-4*2，结果是 AutoModelForCausalLM.from_pretrained( local_model_path, trust_remote_code=True, device_map="auto" # 自动适配CPU/GPU（无GPU True) model = AutoModelForCausalLM.from_pretrained(...)复用提供的模型下载代码，新增device_map="auto"：自动适配 CPU/GPU，无
1.4K30编辑于 2026-05-24 信号处理卡 数据收发卡设计方案：428-基于XC7Z100+ADRV9009的双收双发无线电射频板卡 5G小基站 无线图传
一、板卡概述 基于XC7Z100+ADRV9009的双收双发无线电射频板卡是基于Xilinx ZYNQ FPGA和ADI的无线收发芯片ADRV9009开发的专用功能板卡，用于5G小基站，无线图传 wiki.analog.com/resources/tools-software/linux-drivers/iio-transceiver/adrv9009XC7Z100板卡,zynq XC7Z100板卡,视频数据收发卡,无线图传
1.4K10编辑于 2025-10-15- 来自专栏睡不着所以学编程
数据可视化-pyplot
现在我要做一个简单的折线图，折线图的内容是数字1-5的和他们的平方数相对应的图。 绘制折线图 首先导入模块： import matplotlib.pyplot as plt 接着要将x轴和y轴上的数字放在两个列表中： input_value = [1, 2, 3, 4, 5] 用以控制线条形状 参数 linewidth 用以控制线条宽度（默认值为0.5） 参数 marker 用以控制标记风格 参数 markersize 用以控制标记大小 嗯复制粘贴完了可以继续我的折线图了 plt.xlabel("x", fontsize=10) plt.ylabel("y", fontsize=10) plt.show() 效果： 散点图使用的是scatter( ) s传list 其实是设置每个点的大小，c传list则是对每个标记使用不同的颜色
1.1K30编辑于 2022-09-20 - 来自专栏AI科技评论
打破「反向传播」垄断，「正向自动微分」也能计算梯度，且训练时间减少一半
此外，获得 Jf v 不需要计算雅可比向量Jf，这一特点被称为无矩阵计算。 有趣的是，在第二个实验中（学习率为2×10-4），我们可以看到正向梯度在每个迭代损失图中都实现了快速的下降。 我们可以从时间曲线图看到，正向模式减少了运行时间。我们看到，损失性能指标Tf/Tb值为0.211，这表明在验证实验损失的过程中，正向梯度的速度是反向传播的四倍以上。 4 结论 总的来说，这篇工作的几点贡献主要如下： 他们将「正向梯度」（forward gradient）定义为：一个无偏差的、基于正向自动微分且毫不涉及到反向传播的梯度估算器。
1.2K20编辑于 2022-03-17 App Inventor 2 低功耗蓝牙(BLE) 硬件接入、数据通信及IO控制
5v 请参阅说明书，不要弄错以免烧坏硬件）一般来说，需要接线的端口有以下4个，无论哪款蓝牙硬件，也无论哪种其他硬件，这4个端口都是基本的存在：VCC（正极）、GND（接地负极）、TX、RX 交叉接线，接线图请点底部原文链接 电脑端打开串口：UART上指示灯会开启，说明串口已打开：测试与BLE硬件通信（数据透传）手机App端发送数据，BLE硬件（电脑串口）读取并打印数据；BLE硬件（电脑串口）发送数据，App手机端接收并打印数据 使用厂商自带的测试App进行通信测试：电脑端串口工具查看通信数据：AT控制指令除了上面的数据透传之外，一般硬件还支持内部的控制指令（如设置连接密码、查询硬件地址、主模式连接其他蓝牙等）。 注意：BRTS接GND才能执行控制指令，如图：AT开头是控制指令；非AT开头是透传数据：这里仅演示了需求硬件状态、MAC地址的指令，当然不同厂商会提供不同的AT指令，具体可查看厂商提供的硬件说明书。 控制硬件开始控制硬件相关IO端口，发送高/低电平，控制LED的开和关，代码如下：其中：values - 表示待发送的数据（这里是单字节0x01，表示高电平）signed - 表示values数据是否是有符号的数值（假表示无符号
3.1K10编辑于 2024-01-31- 来自专栏脑电信号科研科普
通过深度学习识别和验证基于脑额叶区-后叶区功能失衡的重大精神疾病内的亚型
静息态功能磁共振成像技术是一项已经非常成熟的对大脑内在功能进行无创性探索的技术，利用测量血氧饱和度依赖性（BOLD）信号中的自发低频波动（LFFs）已经被广泛应用于神经影像学。 该研究分析了105个不同水平的阈值下的（范围从0到0.5，增量为0.005的100个P阈值，再加上10-6、10-5、10-4、0.001和1共5个P阈值）PRS。 Archetypal MPDs亚型在四个不同的P阈值下，基于SZBD的多基因风险评分与HC组有显著差异，这四个阈值分别是10-6（N SNPs = 300), 10-5（N SNPs = 565), 10 -4（N SNPs = 1203)和0.001（N SNPs = 2978)，多重校正后差异仍显著；而Atypical MPDs与HC组相比，基于MDD和SZBD的多基因风险评分都无显著性差异。
64620发布于 2020-11-13 - 来自专栏开源栈
python可视化模块seaborn使用
sns.set_style=('ticks')#设置风格 x=[1,2,3,4,5] y=[90,54,34,5,45] sns.barplot(x=x,y=y) #绘制图形 #注意sns.barplot的固定传参方式 x=x,y=y #显示图形 plt.show() 图片 折线图 import matplotlib.pyplot as plt import seaborn as sns import pandas font.sans-serif']=['SimHei']#解决中文乱码 #读取数据 df=pd.read_excel('成绩表.xlsx') sns.lineplot(x='姓名',y='数学',data=df) #绘制折线图 显示图形 plt.show() 图片 多折线图 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd sns.set_style 读取数据 df=pd.read_excel('成绩表.xlsx') df1=df[['数学','语文','英语']] #提取数学、语文和英语列表 sns.lineplot(data=df1) #绘制一个折线图
83321编辑于 2023-05-06 - 来自专栏广州巨控电子科技有限公司
广州巨控GRM110系列PLC无线通讯模块选型
速度要求高的场合）功能介绍*可实现3公里无线通讯，无需插卡*实现多个PLC无线通讯*实现PLC和传感器之间无线通讯*实现PLC和组态软件之间无线通讯*自带各种逻辑，定时，运算功能，可做PLC使用* LORA非透传， 远程监控外形尺寸参数选型 标配小吸盘天线3米，可选配超大增益天线和延长线型号（LORA_M433近距离无线通讯）通讯串口（RS485)以太网口（tcp协议）输入输出GRM112NR-CWX1路1路网口无无 GRM112NR-12DWX1路1路网口12路开关量输入无GRM112NR-12IWX1路1路网口12路模拟电流数据（4~20mA)无GRM112NR-12VWX1路1路网口12路模拟电压数据（4~21mA )无GRM112NR-4D4I4QWX1路1路网口4个开关输入，4个电流输入，4个继电器输出GRM112NR-4D4V4QWX1路1路网口4个开关输入，4个电压输入，4个继电器输出GRM112NR-8D4QWX1 其他描述可选配高增益天线可选配长引线天线图片
1.3K20编辑于 2022-08-30 - 来自专栏脑电信号科研科普
通过深度学习识别和验证基于脑额叶区-后叶区功能失衡的重大精神疾病内的亚型
静息态功能磁共振成像技术是一项已经非常成熟的对大脑内在功能进行无创性探索的技术，利用测量血氧饱和度依赖性（BOLD）信号中的自发低频波动（LFFs）已经被广泛应用于神经影像学。 该研究分析了105个不同水平的阈值下的（范围从0到0.5，增量为0.005的100个P阈值，再加上10-6、10-5、10-4、0.001和1共5个P阈值）PRS。 Archetypal MPDs亚型在四个不同的P阈值下，基于SZBD的多基因风险评分与HC组有显著差异，这四个阈值分别是10-6（N SNPs = 300), 10-5（N SNPs = 565), 10 -4（N SNPs = 1203)和0.001（N SNPs = 2978)，多重校正后差异仍显著；而Atypical MPDs与HC组相比，基于MDD和SZBD的多基因风险评分都无显著性差异。
84300发布于 2020-11-21 - 来自专栏脑电信号科研科普
Schizophrenia Bulletin: 精神分裂症的潜在临床-结构维度
尤其是，精分的不同症状表征是由对应的不同脑区结构异常引发，还是由全脑分布的脑区异常共同造成的仍无定论。 通过专注于单一“模态”（仅用于临床或仅用于成像），无监督的学习方法会漏掉大脑与行为之间的关键联系，并且可能会产生难以解释或与临床经验一致的解决方案。 个统计学上显着的潜在变量（LV），它们代表分布的形变模式（由校正年龄后的DBM估计）与临床认知指标之间的配对（图2a；LV-1：permuted P = 7.3×10-3；LV -2：permuted P =5×10 -4；LV-3：P = 7×10-4）。 对SES与PLS得到的脑形变形模式进行回归分析表明，较低的SES与脑灰质体积减少显著相关（a= -0.43（0.092）；P <1.0×10-4；95％CI [-0.62，-0.24]）。
1K00发布于 2021-01-25 DeepSeek：重新定义AI成本的"东方力量"
它用不到600万美元的训练成本，做出了性能接近GPT-4o的模型-10-4。而行业巨头训练同等水平的模型，花费通常在1亿美元以上-4。 DeepSeekMoE：细粒度专家+无辅助损失MoE架构的核心思想是：对于每个输入token，只激活模型中的一小部分"专家"网络，而不是全部参数。 通过"细粒度专家分割"和"无辅助损失的负载均衡"两大创新，避免了传统MoE训练中容易出现的"路由崩溃"问题——即模型总激活少数几个专家，导致资源浪费-2-11。
15000编辑于 2026-08-17- 来自专栏用户11599900的专栏
光通信模块技术特征与应用解析
：400G模块构建数据中心核心网络跨数据中心连接：相干光模块实现80km以上DCI互联移动通信网络5G网络架构中的关键传输节点：前传网络：25G灰光模块满足AAU-DU间CPRI/eCPRI接口需求中传网络 ：50G PAM4模块连接DU-CU设备回传网络：400G ZR模块实现核心网间高速互联专业视频传输广电级视频制作系统中的应用特点：4K/8K超高清信号：通过100G模块实现无压缩原始视频传输多画面调度 在可见的技术路线图中，1.6T模块的研发已进入工程验证阶段，预计将采用CPO（共封装光电）技术突破传统可插拔架构的限制，这将成为下一代数据中心互连的重要技术方向。
1.5K10编辑于 2025-04-07 - 来自专栏华章科技
干货请收好：终于有人把用户画像的流程、方法讲明白了
标签体系 目前主流的标签体系都是层次化的，如下图10-4所示。首先标签分为几个大类，每个大类下进行逐层细分。在构建标签时，我们只需要构建最下层的标签，就能够映射到上面两级标签。 ▲图10-4 互联网大数据领域常用标签体系 用于广告投放和精准营销的一般是底层标签，对于底层标签有两个要求：一个是每个标签只能表示一种含义，避免标签之间的重复和冲突，便于计算机处理；另一个是标签必须有一定的语义 而对于无社交属性的产品（如输入法、团购APP、视频网站等）用户信息的填充率非常低，有的甚至不足5%。 在这种情况下，我们一般会用填写了信息的这部分用户作为样本，把用户的行为数据作为特征训练模型，对无标签的用户进行人口属性的预测。 至此我们就完成了对新闻内容从粗到细的“分类-主题-关键词”三层标签体系内容建模，新闻的三层标签如表10-4所示。
5.7K61发布于 2018-12-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号