1. INFOR SCE 11.0.X - 2017V; 2. Chn vs Eng in manual; 3. Ref to Word Specification if any misunderstanding met; 4. Just for reference only. 《Infor SCE 11.0.x - 仓库管理模块 - 发运用户指南》 Infor Supply Chain Execution（SCE）11.0.x版本是一款先进的仓库管理系统，旨在优化物流和发货流程。本用户指南专注于运输管理模块，帮助用户理解和操作与发运相关的功能。文档的日期标注为2017年，适用于理解和解决该版本可能遇到的问题。 1. **Infor SCE 11.0.X**：这是Infor公司供应链执行软件的一个特定版本，提供了全面的仓储和运输管理解决方案。版本号11.0.x表明这是一个中期更新，可能包括性能改进、新功能以及对旧版的错误修复。 2. **Chn vs Eng in manual**：手册中同时提供了中文和英文两种语言版本，便于不同语言背景的用户参考使用。这有助于国际化的团队协作，确保所有用户都能理解并正确执行操作步骤。 3. **Ref to Word Specification**：在遇到任何不明确或误解的地方，用户可以参考Word规范文档以获取更详尽的解释。这强调了有正式的书面规格作为指导的重要性，确保用户能够准确执行操作。 4. **Just for reference only**：该文档仅作参考用途，意味着它不是正式的操作协议或合同，而是为了辅助用户理解和应用Infor SCE 11.0.x的运输管理功能。 **版权信息**：Infor拥有此出版物（包括任何附加信息）的所有权，并且包含保密和专有信息。通过访问此材料，用户同意并认识到，除了根据与Infor签署的单独协议使用材料进行授权的目的外，不享有材料（包括任何修改、翻译或改编的材料）的任何权利、所有权或利益。用户需对这些材料保持严格的机密性，并仅限于上述“目的”使用。同时，Infor虽然尽力确保发布的信息准确无误，但不能保证信息完整无误，不含打字错误，或完全满足用户的具体需求。因此，对于因本出版物中的错误或遗漏（包括任何补充信息）导致的任何损失或损害，Infor不承担任何责任。 此用户指南将涵盖以下主题： - **运输设置**：如何配置运输规则、承运商信息和费率表。 - **订单处理**：如何处理发货订单，包括拣选、包装和出库。 - **发货规划**：如何制定和优化运输计划，考虑时间、成本和资源。 - **跟踪与追踪**：系统如何提供货物在途状态的实时更新。 - **异常管理**：处理延迟、取消、退货等特殊情况的策略和流程。 - **报告与分析**：利用系统提供的报告工具评估运输效率和成本效益。 通过深入理解并应用本指南，用户将能够有效提升Infor SCE 11.0.x的运输管理模块的使用效果，从而提高整个供应链的效率和客户满意度。

《SAR成像舰船图片数据集：HRSID-master.zip——深度学习与舰船识别的基石》 SAR（Synthetic Aperture Radar）合成孔径雷达是一种利用雷达原理进行成像的技术，它不受光照条件限制，能在夜间或恶劣天气下获取地表信息，广泛应用于军事、海洋监测、地质勘查等领域。HRSID-master.zip是一个专门针对SAR成像的舰船图片数据集，旨在支持深度学习算法的开发和训练，为舰船目标识别提供丰富的素材。 该数据集的核心价值在于其详实的舰船图像，这些图像经过精心标注，能够帮助算法理解并学习舰船的特征，从而实现精确的目标检测和识别。在机器学习领域，数据集的质量和量级往往直接影响到模型的性能，HRSID-master的数据丰富性和多样性使得训练出的模型具有更好的泛化能力。 解压HRSID-master.zip后，你会得到一个名为HRSID-master的文件夹，其中包含了训练所需的所有资源。这些资源可能包括舰船图像、对应的标注信息、预处理脚本以及可能的样例代码等。使用Python编程语言，我们可以轻松地读取、处理这些数据，并将其输入到深度学习模型中。 深度学习，尤其是卷积神经网络（CNN），在图像识别任务中表现出色。对于SAR图像，由于其特有的复杂纹理和强度变化，CNN可以通过多层抽象学习到舰船的特征，如形状、大小、纹理和阴影等。通过在HRSID-master数据集上训练，我们可以构建一个能够识别不同类型的舰船，甚至在部分遮挡或噪声环境下也能准确识别的模型。 为了充分利用这个数据集，首先需要进行数据预处理，例如调整图像大小、归一化像素值、平衡类别等。接下来，可以选择合适的深度学习框架（如TensorFlow或PyTorch）搭建CNN模型。模型结构通常包含卷积层、池化层、全连接层和损失函数等组件，训练过程则涉及到反向传播和优化器的选择。在模型训练完成后，可以使用验证集评估模型性能，并根据需求进行超参数调优。 此外，为了防止过拟合，可以采用数据增强技术，如随机旋转、裁剪、翻转等，以增加模型的泛化能力。同时，集成学习和迁移学习也是提高模型性能的有效手段，可以将预训练模型的权重作为初始权重，或者通过多个模型的融合来提升整体性能。 HRSID-master.zip数据集为SAR图像的舰船识别提供了宝贵的资源，是深度学习研究者和工程师探索这一领域的理想起点。通过深入挖掘和充分利用这些数据，我们可以开发出更加智能、精准的舰船识别系统，进一步推动SAR成像技术在军事、海洋安全等领域的应用。

正点原子战舰V3之实验54 综合测试实验（含NES模拟器）

遗传算法排课matlab代码遗传算法 基于MATLAB的船舶路径问题的遗传算法。 打开GA_1.m文件 如果出现用于路径重定向的弹出消息，请选择工作目录的路径。 执行脚本GA_1.m 该代码基于论文： 带有时间窗的船舶路线和调度问题的遗传算法，2012年Khaled Al-Hamad，Mohamed Al-Ibrahim，Eiman Al-Enezy 论文链接： 麻省理工学院执照 版权所有（c）2018 Loukas Kotas 特此免费授予获得此软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，分发，再许可和/或出售本软件的副本，并允许具备软件的人员这样做，但须满足以下条件： 以上版权声明和此许可声明应包含在本软件的所有副本或大部分内容中。 本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于对适销性，特定目的的适用性和非侵权性的担保。 无论是由于软件，使用或其他方式产生的，与之有关或与之有关的合同，侵权或其他形式的任何索赔，损害或其他责任，作者或版权所有者概不负责。软件。

1.遥感数据集，方便入门学习。 2.HRSID一共有13个类别，分别是：飞机、棒球场、篮球场、桥梁、十字路口、田径场、港口、停车场、船、存储罐、丁字路口、网球场、汽车。上传的只有一个类别，船ship类。 3.数据库的亮点是，各个类别之间样本量较均衡。 4.对于一般的目标检测而言，数据集至少应该是千位数甚至上万，可能效果会比较少的数据集更好。 5.上传的是原5604张数据集，有图片和标签，全部一一对应。 6.可以对任意数据集进行扩充，如果需要定做，私信我，或者私信找我要扩充之后的数据集，付费咨询。 7.扩充增强方法可以采用数据模糊，亮度，裁剪，旋转，平移，镜像等变化，或者基于深度学习SRGAN增强等方式。

该算法实现对舰船辐射噪声的建模以及对其中线谱的提取

利用QT的QWT库，讲串口数据实时的绘制出来，该代码完好，能生成exe

船舶simulink仿真模型包括螺旋桨等

深度学习——shipdata船舶数据集 深度学习模型训练的优质数据材料。

此提交演示了 Simscape Electrical 中两区 MVDC 电动船的建模和仿真， 并考虑用于桌面和实时仿真的建模构造。 更多信息 系统的架构和参数化可从 ESRDC 获得，链接如下 https://www.esrdc.com/library/documentation-for-a-notional-two-zone-medium-voltage-dc-shipboard-power-system-model-implemented-on-the-rtds/。 开始， 运行 Two_Zone_MVDC.prj 和 阅读 Two_Zone_MVDC_Electric_Ship.pdf 有关电力系统分析和设计的 MathWorks 解决方案的更多信息，请访问此页面https://www.mathworks.com/solutions/power-system-