CoAP客户端示例 (有关示例的更多信息,请参见上层“ examples”目录中的README.md文件。)此CoAP客户端示例是对示例之一的非常简化的改编。 CoAP客户端示例将您的ESP32设备连接到CoAP服务器,发送GET请求并从CoAP服务器获取响应数据。 客户端可以扩展到PUT / POST / DELETE请求,并支持Observer扩展 。 如果URI前缀为coaps://而不是coap://,则CoAP客户端将尝试使用CoAP服务器需要的已定义预共享​​密钥(PSK)或公共密钥基础结构(PKI)使用DTLS协议知道。 如果URI带有coap + tcp://前缀,则CoAP将尝试使用TCP进行通信。 注意:当前不支持coaps + tcp://,即使libcoap和MbedTLS都支持它。 约束应用协议(CoAP)是一种专用的Web传输协议,可与物联网中的受约束
2022-10-04 20:26:26 11KB C++
1
(更多详情、使用方法,请下载后细读README.md文件) esp-idf-st7789\nST7789 esp-idf 驱动程序\nD
2022-09-02 09:05:46 296KB C
1
实现基于TF-IDF算法抽取,对关键词进行抽取的算法,程序
2022-07-14 20:57:03 15KB TFIDF 关键词
1
ti-idf算法,实现对英文文档的检索,把多篇文档中的词(英文单词),按照权值从小到大进行排列-ti-idf算法
2022-07-09 09:08:56 369KB ti-idf算法 英文文档的检索
适用于Arduino IDE的ESP32 USB Soft Host库 这主要是对出色工作的 代码的某些部分(例如,定时器组isr调用)已进行回归以满足esp-idf 3.3的需求。 esp32 USB-LS是通过通用IO引脚对USB主机的纯软件实现。 它最多同时支持4个HID设备。 可在ESP32上使用-Wroom a Wrover,尚未在S2上进行测试,无法在C3上编译。
2022-07-04 09:34:32 24KB C
1
家庭套件 这正在进行中! 这是什么 该应用程序将ESP32上的Apple Homekit暴露于温度和湿度等传感器。 不需要其他桥梁,例如 ! 它基于构建,并使用作为组件。 为了同时暴露不同的传感器,使用了插件系统。 一个插件可以 将多个传感器(例如温度探头)暴露为Homekit附件 在OLED显示器上显示信息 将传感器值转发到例如数据库或mqtt代理 通过Web界面或REST API配置 等等 您可以一次使用多个插件。 有几个可用的示例插件,例如 BME280 暴露具有EVE历史记录支持的温度,湿度和压力传感器。 DHT22 公开具有EVE历史记录支持的温度和湿度传感器。 固态硬盘1331 在SSD1331 OLED显示器上查看QR码以进行配对和传感器值。 固态硬盘1306 在SSD1306 OLED显示屏上查看QR码以进行配对和传感器值。 MiFlora 通过Nimble将MiFlora Flower蓝牙设备连接到Homekit。 该插件使用Nimble公开了具有EVE历史记录的温度,湿度,肥力和光密度传感器 RC开关 作为具有EVE历史记录和计划支持的奥特莱斯服务公开
2022-06-18 22:15:59 10.32MB arduino esp32 homekit esp-idf
1
关键词提取TF-IDF算法综述,TFIDF词频逆文档频率是关键词提取常用算法,本文是对该方法全面的综述
2022-06-12 16:13:36 960KB TF-IDF, 关键词提取
1
TFIDF_cpp TF-IDF在C ++中的实现 需要修改函数loadData()以适合实际情况。 两种版本的输出 Eigen::MatrixXf对象。 std::vector>对象。 / lyric_similarity 在音乐歌词相似度计算中使用TF-IDF。 单线程和多线程版本。 用g ++编译单线程版本 g++ -std=c++0x -Wall -o lyricSimilarity lyricSimilarity.cpp -static-libstdc++ 编译多线程版本 g++ -std=c++0x -Wall -o lyricSimilarity_multithreading lyricSimilarity_multithreading.cpp -static-libstdc++ -lpthread
2022-06-05 23:17:59 43KB C++
1
TF-IDF的java实现,eclipse工程,直接可用
2022-06-04 23:07:57 1.83MB tf idf java eclipse
1
入围不当的候选者和可能错过的候选者只是意味着与不正确的关键字相关联的不当简历。 这些天来,由于对文本分类的兴趣日益浓厚,对文件分类的研究越来越多,而文本分类已成为在线文本和文档的主要贡献者。 机器可以使用专家系统来处理人员对细节进行分类的重复任务,该专家系统可以正确捕获和识别文本,然后将其分类为已定义的不同类别。 在对数据进行预处理之后,对贝努利的朴素贝叶斯,多项朴素贝叶斯,随机森林,线性SVM和LSVM进行了比较分析,并在前30个具有不同参数的Job Listing数据集上进行了弹性惩罚分类,因此我们能够分析具有不同密度和科目的类中不同术语之间的依赖关系。 评估了准确性,并且LSVM根据提交的查询在对职称进行分类时提供了最佳准确性,并且能够对55000个样本实现96.25%的准确性。
2022-05-21 01:31:54 590KB TF-IDF LSVM BNB MNB
1