内容概要：本文详细介绍了YOLOv11目标检测算法的改进，特别是引入了来自UNetv2的多层次特征融合模块——SDI（Selective Deformable Integration）。YOLOv11在保持高速推理的同时，通过采用EfficientNet主干网络、PANet和FPN Neck模块及多种注意力机制，显著提升了检测精度。SDI模块通过选择性融合不同尺度特征、结合可变形卷积技术，增强了细节信息的提取，提高了多尺度特征融合能力，改进了小目标检测精度。实验结果显示，YOLOv11在COCO和VOC数据集上的mAP分别从40.2%提升至43.7%、从77.5%提升至80.3%，且FPS保持稳定。; 适合人群：对目标检测算法有一定了解的研究人员、工程师及深度学习爱好者。; 使用场景及目标：①了解YOLOv11的创新技术和优化方向；②掌握SDI模块的工作原理及其在目标检测中的应用；③研究多层次特征融合、可变形卷积等技术对模型性能的影响。; 其他说明：本文不仅展示了YOLOv11的技术细节，还通过实验验证了SDI模块的有效性，为未来目标检测算法的发展提供了新的思路。建议读者结合实际应用场景，深入研究SDI模块的实现与优化方法。

网络上的其他教程都是教你如何编译成库去使用，这里直接给到源码你，直接引入到QT项目中，就可以直接使用了； 无需过多的繁琐的编译过程； 本源码运行后直接是一个简易版的解压缩软件，有兴趣可以玩一下； 里面我封装好了一个操作类，直接调用接口即可； 调用的地方引入了线程，就可以实现进度条功能； 可以实现加密压缩和解密解压缩功能； 解压密码：cpp_learners 关联博客： https://blog.csdn.net/cpp_learner/article/details/145754999 在当前的技术领域中，跨平台应用程序开发一直是热门话题。跨平台意味着开发的应用程序能够在不同的操作系统上运行，比如Windows、Linux和macOS等。而QT是一个非常流行的跨平台应用程序和用户界面框架，由Nokia所创建，随后由QT Company继续维护。开发者使用QT可以高效地开发出能在多种平台上运行的软件产品。 关于QT引入Quazip和Zlib源码实现的工程，这主要涉及到文件压缩和解压缩功能，这对于任何需要处理大量数据的应用程序来说都是必不可少的功能。Quazip是QT环境下的一个库，它提供了与C++标准库相似的接口，但用于处理ZIP存档文件。而Zlib是一个广泛使用的数据压缩库，它实现了DEFLATE数据压缩算法。将Quazip和Zlib集成到QT项目中，可以大大简化开发者实现文件压缩与解压缩功能的复杂度。 使用Quazip和Zlib的优势在于，开发者不需要将这些库编译为独立的库文件，而是可以直接将源码嵌入到QT项目中。这样做的好处是，可以减少项目依赖性，简化分发过程，并且可以直接进行源码级别的定制和优化。这种做法尤其适合那些需要频繁更新压缩算法或者定制特殊压缩功能的场景。 在功能上，这个工程不仅实现了基本的压缩和解压缩功能，还能够处理加密压缩和解密解压缩。这意味着，在处理敏感数据时，可以提供额外的安全层。对于用户而言，这通常意味着输入一个密码，而程序会负责加密数据并将其压缩进一个存档中。同样地，当需要从压缩的存档中恢复文件时，程序也会要求输入正确的密码，以确保数据安全。 此外，工程还特别提到了进度条功能的实现。进度条是用户界面中一个非常有用的元素，它能够让用户了解当前进行的操作的状态，特别是在处理大文件时，用户可能需要等待一段时间。通过引入线程，进度条能够实时显示压缩或解压缩操作的进展情况，从而提高用户体验。 提供给开发者的解压密码是“cpp_learners”，这表明这个工程可能与一个在线教程或者博客文章相关联，这为希望深入了解如何实现这些功能的开发者提供了一个学习资源。关联的博客文章还可能包含更多细节，比如如何一步步集成Quazip和Zlib到QT项目中，以及如何使用提供的操作类和接口。 这个工程为QT开发者提供了一个非常方便的工具集，通过直接引入源码，即可在QT项目中实现跨平台的加密压缩与解压缩功能，并且支持进度条显示，极大地简化了开发流程，提高了程序的可用性和安全性。而相关的博客文章则可能提供了更深入的实现细节和使用教程。

用友U8新引入帐套后固定资产模块出错的解决方法 --1.查询固定资产是否首次启用 select * from accinformation where csysid='FA' and cname='bFirstTime' --2.设置固定资产为首次启用 update accinformation set cvalue='TRUE' where csysid='FA' and cname='bFirstTime' --3.查询最新会计期间 select * from accinformation where csysid='FA' and cname='iLastPeriod' --4.设置最新会计期间数值为开始启用月-1 update accinformation set cvalue='4' where csysid='FA' and cname='iLastPeriod' --查询固定资产开始启用时间、固定资产启用自然时间、固定资产启用会计时间、开始使用日期 select * from accinformation where (ccaption like '%启用%' OR Cname ='dStartDate') and csysid='FA' ………… ### 用友U8新引入帐套后固定资产模块出错的解决方法 #### 背景与问题描述 在企业信息化管理过程中，用友U8作为一款广泛使用的财务管理软件，在新引入帐套（即新的财务数据集合）时，可能会遇到各种各样的问题，其中较为常见的一种情况是固定资产模块出现异常或错误。这种问题可能会影响到企业的日常财务管理操作，特别是对固定资产的管理和核算带来不便。本文将详细介绍一种有效的解决方法，帮助用户快速定位并解决问题。 #### 解决方案步骤详解 ##### 步骤一：查询固定资产是否首次启用 在解决用友U8新引入帐套后固定资产模块的问题之前，首先需要确认固定资产模块是否为首次启用。这一步骤可以通过SQL语句来实现： ```sql SELECT * FROM accinformation WHERE csysid = 'FA' AND cname = 'bFirstTime' ``` 这里，`accinformation`表存储了系统中各个模块的基本信息，`csysid = 'FA'`表示查询的是固定资产模块的信息，`cname = 'bFirstTime'`表示查询是否首次启用的标记。如果查询结果中`cvalue`字段的值为`FALSE`，则表示固定资产模块未被首次启用。 ##### 步骤二：设置固定资产为首次启用 如果固定资产模块确实未被首次启用，则需要通过更新数据库记录的方式将其设置为首次启用状态。具体操作如下： ```sql UPDATE accinformation SET cvalue = 'TRUE' WHERE csysid = 'FA' AND cname = 'bFirstTime' ``` 执行上述SQL语句后，固定资产模块的状态将被更新为首次启用。 ##### 步骤三：查询最新会计期间 接下来，需要确定当前最新的会计期间。这一步骤同样可以通过SQL查询完成： ```sql SELECT * FROM accinformation WHERE csysid = 'FA' AND cname = 'iLastPeriod' ``` 这里，`cname = 'iLastPeriod'`表示查询的是最新的会计期间信息。查询结果中的`cvalue`字段将包含具体的会计期间数值。 ##### 步骤四：设置最新会计期间数值为开始启用月-1 为了确保固定资产模块的正确运行，需要根据实际情况调整最新会计期间的数值。假设固定资产模块将在第5个月启用，那么最新的会计期间应设置为第4个月。具体操作如下： ```sql UPDATE accinformation SET cvalue = '4' WHERE csysid = 'FA' AND cname = 'iLastPeriod' ``` 这里的`cvalue = '4'`表示将最新的会计期间设置为第4个月。 ##### 步骤五：查询并设置固定资产启用时间 还需要确保固定资产的启用时间被正确地记录下来。这包括固定资产开始启用的时间、启用的自然时间和会计时间以及开始使用的日期等信息。可以通过以下SQL语句查询相关信息： ```sql SELECT * FROM accinformation WHERE (ccaption LIKE '%启用%' OR Cname = 'dStartDate') AND csysid = 'FA' ``` 查询到相关信息后，可以进一步更新这些记录，确保它们与实际情况相符。例如，如果固定资产模块计划在2010年5月1日启用，可以执行以下更新操作： ```sql UPDATE accinformation SET cvalue = '2010-05-01' WHERE (ccaption LIKE '%启用%' OR Cname = 'dStartDate') AND csysid = 'FA' ``` 通过以上五个步骤的操作，可以在用友U8新引入帐套后有效解决固定资产模块出现的问题，确保系统的正常运行。 #### 总结 在面对用友U8新引入帐套后固定资产模块出现的各种问题时，采取正确的解决策略至关重要。本文介绍的方法不仅能够帮助用户快速定位问题所在，还能有效地解决问题本身。通过合理的SQL语句操作，可以确保固定资产模块的正常运行，从而保障企业的财务管理活动顺利进行。希望本文能为企业财务管理人员提供一定的参考价值。

内容概要：本文介绍了一种改进的EfficientNet模型，主要增加了ContextAnchorAttention（CAA）模块。该模型首先定义了基础组件，如卷积层、批归一化、激活函数、Squeeze-and-Excitation（SE）模块以及倒残差结构（Inverted Residual）。CAA模块通过选择最具代表性的锚点来增强特征表示，具体步骤包括通道缩减、选择锚点、收集锚点特征、计算查询、键、值，并进行注意力机制的加权融合。EfficientNet的构建基于宽度和深度系数，通过调整每个阶段的卷积核大小、输入输出通道数、扩展比例、步长、是否使用SE模块等参数，实现了不同版本的EfficientNet。最后，模型还包括全局平均池化层和分类器。 适合人群：对深度学习有一定了解并希望深入研究图像分类模型的设计与实现的研究人员或工程师。 使用场景及目标：①理解EfficientNet架构及其改进版本的设计思路；②掌握如何通过引入新的注意力机制（如CAA）来提升模型性能；③学习如何使用PyTorch实现高效的神经网络。 阅读建议：由于本文涉及大量代码实现细节和技术背景知识，建议读者具备一定的深度学习理论基础和PyTorch编程经验。同时，在阅读过程中可以尝试复现代码，以便更好地理解各模块的功能和作用。

EBWO改进白鲸算法， 一种混合改进的白鲸优化算法 EBWO算法 改进点：两个点 1、引入准反向学习QOBL策略，提高算法的迭代速度 2、引入旋风觅食策略，提高算法开发能力 改进后的EBWO算法与原始BWO、GWO、WOA、SSA进行对比 效果好的不是一点点 包含23种基准测试函数均有 在当今快速发展的信息时代，优化算法作为解决复杂问题和提高系统性能的关键技术，一直受到广泛关注。白鲸优化算法（BWO）是近年来提出的一种新型智能优化算法，它模仿了白鲸捕食的行为，通过模拟白鲸在海洋中的觅食行为来解决优化问题。然而，像其他算法一样，BWO算法在实际应用中也存在一定的局限性，比如搜索效率和开发能力的不足。因此，为了克服这些缺陷，研究者们不断地对BWO算法进行改进和优化，EBWO（改进白鲸优化算法）应运而生。 EBWO算法引入了两个重要的改进策略：准反向学习（QOBL）策略和旋风觅食策略。QOBL策略的引入显著提高了算法的迭代速度。传统算法在优化过程中往往会陷入局部最优解，而无法快速跳出，导致效率低下。QOBL策略通过模仿自然界中动物的反向逃逸行为，允许算法在遇到不利于搜索的方向时，能够迅速调整方向，从而加快迭代速度，提高全局搜索能力。EBWO算法还引入了旋风觅食策略，这增强了算法的开发能力，即在找到全局最优解的邻域后，能更深入地挖掘这个区域，提高解的质量。这一策略使得EBWO算法能够在高维搜索空间中更加灵活和高效地找到问题的最优解。 通过与其他先进算法，如灰狼优化算法（GWO）、鲸鱼优化算法（WOA）和沙蚤算法（SSA）等的对比分析，EBWO算法在多种基准测试函数上的表现均优于它们。这表明，改进后的EBWO算法能够更有效地解决工程和科学领域中遇到的各种复杂优化问题。 此外，为了更好地理解和分析EBWO算法，在技术支持文档中也包含了算法的详细介绍和解析，以及对算法性能的详细评估。文档中提及的23种基准测试函数，覆盖了不同类型的优化问题，从简单的单峰函数到复杂的多峰函数，这些测试函数的使用有助于全面评估EBWO算法在各种条件下的性能。 通过这些基准测试函数的评估，我们可以看到EBWO算法不仅在理论上具有创新性，而且在实际应用中也显示出了良好的性能和强大的竞争力。它为解决各种工程优化问题提供了新的思路和方法，对于推动优化算法的发展具有重要意义。 EBWO算法作为一种混合改进的白鲸优化算法，通过引入QOBL策略和旋风觅食策略，有效提高了算法的搜索效率和开发能力。该算法在与多个先进算法的性能对比中表现出色，为解决优化问题提供了新的选择。随着算法在各个领域的广泛应用，相信EBWO算法将会推动相关技术的进步，并在实际工程问题中发挥重要作用。

kettle引入jar包，里面包含kettle-core-8.3.0.0-371.jar，kettle-engine-8.3.0.0-371.jar，metastore-8.3.0.0-371.jar，这三个 jar 包，如果通过 maven 引入不成功可以尝试一下通过 maven 命令将这三个jar包导入到 maven 仓库中

QT C++ AES字符串加密解密类库是一种在C++编程环境中使用QT框架实现的高级加密标准（AES）加密和解密工具。QT是一个流行的开源跨平台应用开发框架，广泛应用于桌面、移动和嵌入式系统。AES是目前广泛应用的对称加密算法，以其高效和安全性著称。 AES（Advanced Encryption Standard）是美国国家标准与技术研究所（NIST）于2001年制定的一种区块加密标准，取代了之前的DES。AES的核心在于一系列的替换和置换操作，包括字节代换、行位移、列混淆和轮密钥加。它支持128、192和256位的密钥长度，以及128位的区块大小，这使得攻击者难以破解。 在QT C++中实现AES加密解密，开发者通常会使用如QCryptographicHash、QSslCipher等QT提供的安全库。类库可能包含以下关键部分： 1. 密钥和初始化向量（IV）的管理：AES加密需要一个密钥和一个可选的初始化向量。密钥决定了加密和解密的密文，而IV则确保相同的明文在不同的加密过程中产生不同的密文，增加安全性。 2. 加密函数：这个函数接收明文字符串和密钥作为输入，通过AES算法生成密文。可能采用的模式有ECB（电子密码本）、CBC（密码块链接）、CFB（密文反馈）或OFB（输出反馈）等，其中CBC模式由于其良好的安全性通常被首选。 3. 解密函数：与加密函数相对应，接收密文和密钥，解密出原始的明文字符串。 4. 错误处理和边界检查：确保输入的字符串长度和格式符合要求，防止空指针、内存溢出等问题。 5. 示例代码：为了方便用户快速上手，类库通常会提供示例代码，展示如何创建密钥、设置IV、调用加密和解密函数，以及处理结果。 在文件列表中的"aesni"可能是实现AES加密的优化库，利用Intel的AES-NI指令集，这是一种硬件加速的AES操作，可以显著提高加密和解密的速度。 在实际开发中，使用这样的类库可以简化编码过程，提高代码的安全性和效率。但同时，开发者也需要了解加密解密的基本原理，确保正确使用，并采取适当的措施保护密钥的安全，比如不将密钥硬编码在程序中，定期更换密钥，以及在传输时使用安全通道等。 QT C++ AES字符串加密解密类库为开发者提供了一种便捷的方式来实现数据的安全存储和传输，结合QT的跨平台特性，可以在多种操作系统上应用，保障信息安全。

nanohttpd是一个java开源项目，对http服务做了很好的封装，使用起来非常方便。只需一个文件即可实现httpserver; nanohttpd 2.3.0是最新的版本，只需将资源中的jar包引入到工程中，按照例程进行开发，很轻松就可以拥有httpserver服务器哦

buck-boost变换器的非线性PID控制，主电路也可以换成别的电路。 在经典PID中引入了两个TD非线性跟踪微分器，构成了非线性PID控制器。 当TD的输入为方波时，TD的输出，跟踪方波信号也没有超调，仿真波形如下所示。 输入电压为20V，设置输出参考电压为10V，在非线性PID的控制下，输出很快为10V，且没有超调。 当加减载时，输出电压也一直为10V。 整个仿真全部采用模块搭建，没有用到S-Function。

引入大数据因子选股的Alpha动量交易策略 本文主要讨论了引入大数据因子选股的Alpha动量交易策略，旨在探索量化投资中的一种重要投资策略。动量Alpha策略认为前期上涨幅度较大的股票将会由于惯性作用持续战胜市场，给投资者带来超额收益。文章选取上证50指数成份股作为研究对象，对于大数据方法和情绪因子的数据挖掘和分析进行了研究，并应用动量Alpha策略对股票进行了选择和投资。 以下是本文的知识点总结： 一、量化投资的发展历史 量化投资是一种通过数量化方法和计算机程序化自动形成买卖指令，用以获得稳定收益的交易方式。量化投资的发展经历了萌芽、兴起，并在90年代达到繁荣。代表人物为詹姆斯·西蒙斯和詹姆斯·埃克斯设立的大奖章基金，连续二十年收益近40%，远超“股神”巴菲特同期收益21%。 二、动量Alpha策略的原理 动量Alpha策略认为前期上涨幅度较大的股票将会由于惯性作用持续战胜市场，给投资者带来超额收益。该策略认为股票的价格变化是由其历史价格走势所决定的，通过对股票的历史价格走势进行分析，可以预测股票的未来价格变化。 三、大数据方法在量化投资中的应用 大数据方法由于其复杂多样，数据量巨大以及产生的非结构化数据可以形成有效信息。通过对非结构化情绪文字的处理形成结构化情绪数据，可以为投资选股形成一个新的思路，即情绪高涨的股票通常会得到更多关注。 四、本文的研究结果 本文选取了上证50指数成份股作为研究对象，对于大数据方法和情绪因子的数据挖掘和分析进行了研究，并应用动量Alpha策略对股票进行了选择和投资。实证分析表明模拟的九种策略有七种可以获得超额收益率，且形成期为20天或30天，持有期为70天的动量策略可以达到高于25%的超额收益率和高于40%的总收益率。 五、量化投资在中国的发展前景 量化投资在中国的发展起步较晚，但随着市场股指期货的推出和更多金融产品的发明，我国量化投资可操作性得到有效的提高，为国内量化投资提供了新的契机。 本文探索了引入大数据因子选股的Alpha动量交易策略，并对量化投资的发展历史、动量Alpha策略的原理、大数据方法在量化投资中的应用、本文的研究结果和量化投资在中国的发展前景进行了讨论，为读者提供了一个系统的了解量化投资的机会。