2022年亚太杯APMCM数学建模大赛A题结晶器熔剂熔融结晶过程序列图像特征提取及建模分析求解全过程文档及程序

2022年亚太杯APMCM数学建模大赛

A题 结晶器熔剂熔融结晶过程序列图像特征提取及建模分析

原题再现：

  连铸过程中的保护渣使钢水弯液面隔热，防止钢水在连铸过程中再次氧化，控制传热，为铸坯提供润滑，并吸收非金属夹杂物。结晶器熔剂的冶金性能主要取决于其在温度控制曲线下的熔化速率和结晶速率。因此，研究结晶器保护渣在结晶器壁和铸坯壳间隙中的相分布具有重要意义。

  连铸结晶器熔剂被添加到结晶器中液态钢的顶部。这些固体炉渣以粉末层的形式堆积在钢液表面，可以防止钢液温度下降过大而导致钢液液面结皮。然后，模具焊剂的温度逐渐上升到熔点，模具焊剂被熔化以形成烧结层。助熔剂的原料通过化学反应形成低熔点物质，然后形成液态渣，助熔剂的成分会发生一定的变化。这是一个熔化的过程。

  当保护渣完全熔化时，会在液态钢表面形成一层液态渣层。当液态炉渣从钢液面处的渣池渗入壳体与铜模壁之间的间隙时，就会形成渣膜。由于铸坯表面的高温，铸坯上的熔渣仍保持液相。然而，随着液态炉渣的温度在结晶器的纵向上随着铸坯表面的温度降低，渣膜在铜结晶器壁上被淬火固化，形成玻璃状固体渣膜（渣膜的固化行为），伴随结晶器的强制冷却，而渣膜在适当的条件下会在一定的区域结晶并形成一层晶层（渣膜的结晶行为），最终形成典型的三层渣膜结构：玻璃层、结晶层和液态渣层。这个过程就是结晶。

  由于高温、瞬态流体流动、复杂的相变和化学反应以及结晶器壁的不透明性，很难直接观察到结晶器熔剂的相变。SHTT-II型熔融结晶温度测试仪目前已广泛应用于模具熔剂结晶行为的观察。实验结束后，实验人员对图像进行逐一演示，将信息记录在图像左上角，并用肉眼和经验识别关键节点图像（见图1），以指导模具焊剂的设计，满足钢种的凝固要求。这一过程浪费了人力，阻碍了实验过程信息的开发。迫切需要开发序列图像的自动特征提取和数学建模技术。

  附件1中有562个模具助熔剂熔化和结晶的序列图像。这些序列图像是从实验开始时的第110秒到第671秒收集的。文件序列号遵循采集时间序列，每1s采集一次图像。附件1中的数字图像显示了这些信息（见图1）。每个图像的左上角标记有图像的相应时间以及1号热电偶和2号热电偶的温度值。

  为了实现模具熔剂熔化和结晶序列图像的自动特征提取和数学建模，请回答以下三个问题。

  问题1：使用图像分割和识别或其他技术，请自动提取每张图像左上角的1号热电偶和2号热电偶的温度，并将其自动导入附件2中相应的表格中（请编写一份循序渐进的技术操作文件），请制作温度-时间曲线图（1#线温-2#线温-时间图；1#线平均温度-2#线平均温度-时间图）。此外，1#线或2#线的测试结果不准确。请指出并解释。

  问题2：根据图1中的六个节点图像，应用数字图像处理技术，研究并量化模具熔剂熔化和结晶过程中相邻序列图像之间的动态差异。在此基础上，对量化后的不同特性进行时间序列建模，并根据数学模型的模拟结果讨论了结晶器熔剂的熔融结晶过程曲线。

  问题3：考虑到温度和时间的变化，以及问题2的研究结果，请建立一个数学模型来讨论温度和时间变化之间的函数关系以及熔化和结晶过程。

整体求解过程概述(摘要)

  通过建立像素判别模型，解决了图像中温度数据的识别问题。通过建立基于特征的状态方程模型，解决了图像特征的量化和模具熔融结晶过程曲线的建立问题。通过建立多项式回归模型，解决了温度和时间变化问题以及结晶器熔剂熔融与结晶过程的函数关系，并结合结晶动力学中的JMA公式验证了结果的可靠性。

  对于问题一，我们建立了像素判别模型，提取每张图片左上角的温度，并分别绘制1#和2#的温度-时间曲线。首先，对图像进行灰度处理，选择全局阈值对图像进行二值化，图像由0-1像素矩阵表示；然后，根据图片的数字字体和位置特征，将每个预处理后的图片分割成8个部分，然后通过滤波和降噪处理来提高识别率。然后，选择0-9数字和°C作为模板，通过计算图像和模板之间的相关系数，选择值最大的模板作为识别结果，并自动存储在表中；最后，使用卷积神经网络对结果进行了测试，结果是可靠的。

  对于问题二，我们建立了一个基于特征的状态方程模型，研究了熔融和结晶过程中的动态差异，并讨论了不同特征下熔融和结晶的过程曲线。首先，对图像进行预处理，将像素大小缩小到300*400；然后，使用“Canny”算子检测边缘，获得边缘轮廓图像，并使用find函数获得轮廓边缘图像的索引向量，以将模具与背景分离。然后，使用Tamura纹理特征算法提取粗糙度、对比度、方向性和线性，观察模具在熔化和结晶过程中的变化规律，并找到其关于时间的递归公式。最后，对平均灰度值和粗糙度进行可视化，实现多项式拟合，得到拟合后的熔融结晶过程曲线。通过粗糙度、对比度、方向性、线性和平均灰度值五个特征对结果进行测试和分析，证明了结果与实验现象的一致性，验证了基于特征的状态方程模型的可靠性。

  对于问题三，本文开发了一个多项式回归模型来解决将温度建立为时间的函数以及模具熔体的熔化和结晶的问题。首先，将多项式回归拟合到问题1的不同时刻的温度，以建立分段函数表达式。然后，基于问题2中发现的模具熔化和结晶的过程曲线，创建了在相同时刻熔化量与温度和结晶量与温度的多项式回归表达式。结晶速率与时间有关，熔融速率与时间相关。最后，结合结晶动力学，发现本文中发现的结晶速率与温度的关系图与JMA方程的图像高度一致，证明了所获得结果的准确性和可靠性。

模型假设：

  （1） 假设图像左上角的文本是顶部框架。

  （2） 假设图像记录的时刻是准确的，并且不考虑误差。

  （3） 假设模具焊剂正常，则使用过程没有问题。

问题分析：

  针对连铸过程中结晶器熔剂在高温加热下的复杂相变和化学反应，使直接观察结晶器熔剂的相态变得困难，提出了三个问题。首先，为了减少人力，有必要开发序列图像的数字识别和记录温度数据；然后，通过特征提取序列图像，并通过特征建立模型，研究模具熔融结晶过程曲线。最后，推导出提取的温度数据和模具熔融结晶过程曲线，推导出温度、熔融速率和结晶速率的函数关系表达式，确定了温度、熔融速度和结晶速率之间的函数关系式。这三个问题由浅入深，相互交织。

  问题一分析

  在对图像的分析中，在562个图像中的每个图像中要识别的数字位于图像的左上角，并且数据字体和数字之间的间隔是固定的。剪切将导致更小的图像大小和更少的像素点。设想图像将被放大10倍，为后续操作做准备。在剪切之前，本文设想对图像进行灰度处理和二值化，将图像简化为黑白双色，即两个值为0,1，将图像中的数字拆分，然后将数字剪切为大小为15893的像素，并通过均匀缩放将数字的大小设置为2828像素；本文注意到数字的边缘可能不平滑，并且为了使图像中数字的边缘更平滑；本文设想每个图像剪切出8个数字，但经观察，剪切的图像并非全部是数字，本文设想将未编号的°C识别为数字10，然后进行均匀处理。计算剪切图像数据和设计的标准数据之间的相关系数。根据预测，相关系数越大，图像数据与标准数据之间的相似性就越高。基于这一原理，本文设想建立一个像素判别模型，该模型将用于执行循环遍历，以识别每个图像与标准样本相比的温度，并导出，从而生成温度-时间分布图。本文设想对该模型进行比较分析，并使用卷积神经网络构建数字图像识别模型。如果得出的结论与像素判别模型的结论没有显著差异，那么像素判别模型是合理的，测试结果是准确的。

  问题二分析

  问题2是一种特征提取类型的问题。本文利用Tamura纹理特征提取了四个特征：粗糙度、对比度、方向性和线性。为了使计算更灵敏，图像采用灰度处理进行预处理，将图像变成黑白，然后将图像缩放为均匀大小。本文设想使用“Canny”算子来检测边缘，但边缘算子的局限性在于它只响应边缘并找到所有边缘，而非边缘应该被丢弃。因此，为了使边缘算子的结果更加准确，本文设想了一系列图像处理：首先对图像进行高斯平滑滤波和卷积，使图像边缘平滑；然后对梯度的幅度进行非最大值抑制，以使模糊的边界清晰；然后使用双阈值技术来进一步消除噪声。在处理后获得的图像中跟踪边缘，以获得边缘轮廓图像并将模具与背景分离。本文设想使用Tamura纹理特征提取，然后观察结晶和熔融过程中四个特征的变化，找出它们的变化模式，列出特征方程，并将计算后的结果绘制成图形，使结果更直观。

  问题三分析

  问题3属于函数关系派生类问题。基于问题1中的温度变化数据和问题2中的模具熔化和结晶的过程曲线，导出了它们之间的函数关系。为了函数表达式的准确性，我们选择使用多项式回归拟合，使离散数据与函数图像更相关。通过建立温度与时间、模具熔剂熔化与结晶与时间的函数关系，可以推导出模具熔剂熔化和结晶与温度的函数关系。将函数关系可视化并与结晶动力学公式相结合，以测试函数关系建立的准确性。如果图像相似，则结果是可靠的。

模型的建立与求解整体论文缩略图 (多种解法和文档)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

程序代码：

部分程序如下:
clc
clear all
I=imread('D:\MATLAB\2022 亚太\Attachment 1\0110.bmp');
I1=rgb2gray(I);%灰度图像处理
I2=im2bw(I1,graythresh(I1));%二值图像处理
I3=I2(1:65,1:110);
I3=imresize(I3,10);
TT=I3(208:366,780:873);
ED_type='disk';
se=strel(ED_type,8);
TT=imopen(TT,se);
TT=imresize(TT,[28,28]);
TT=imcomplement(TT);
%%imwrite(TT,'a.jpg');
fulldate=dir('D:\MATLAB\2022 亚太\Attachment 1\*.bmp');
the_length=length(fulldate);
image0=fullfile('D:\MATLAB\2022 亚太\数字\new1#20572.bmp');
image0=imread(image0);
image1=fullfile('D:\MATLAB\2022 亚太\数字\new1#10132.bmp');
image1=imread(image1);
image2=fullfile('D:\MATLAB\2022 亚太\数字\new1#20177.bmp');
image2=imread(image2);
image3=fullfile('D:\MATLAB\2022 亚太\数字\new1#20189.bmp');
image3=imread(image3);
image4=fullfile('D:\MATLAB\2022 亚太\数字\new1#20203.bmp');
image4=imread(image4);
image5=fullfile('D:\MATLAB\2022 亚太\数字\new1#20251.bmp');
image5=imread(image5);
image6=fullfile('D:\MATLAB\2022 亚太\数字\new1#20594.bmp');
image6=imread(image6);
image7=fullfile('D:\MATLAB\2022 亚太\数字\new1#20589.bmp');
image7=imread(image7);
image8=fullfile('D:\MATLAB\2022 亚太\数字\new1#10645.bmp');
image8=imread(image8);
image9=fullfile('D:\MATLAB\2022 亚太\数字\new1#10110.bmp');
image9=imread(image9);
K{1}=image0;
K{2}=image1;
K{3}=image2;
K{4}=image3;
K{5}=image4;
K{6}=image5;
K{7}=image6;
K{8}=image7;
K{9}=image8;
K{10}=image9;
K{11}=TT;
%%比较相关系数
Z=[];
R=[];
for i = 1 : the_length
for j = 1:4
n=i+109;
image = strcat('D:\MATLAB\2022 亚太\数字
\new1#',num2str(j),'0',num2str(n),'.bmp');
Image = strcat('D:\MATLAB\2022 亚太\数字
\new2#',num2str(j),'0',num2str(n),'.bmp');
image = imread(image);
Image = imread(Image);
for k = 1 : 11
Z(k)=corr2(K{k},image);
Z2(k)=corr2(K{k},Image);
end
if Z(k)<=1
R(i,j)=find(Z==max(Z))-1;
else
R(i,j)=-1;
end
if Z2(k)<=1
R2(i,j)=find(Z2==max(Z2))-1;
else
R2(i,j)=-1;
end
end
end
%%找出没有图像的图片
wrong=[];
for i = 1 : the_length
if R(i,1)==-1
wrong=[wrong,i+109];
end
end
wrong = wrong';
for i = 1 : length(wrong)
for j = 1 : 4
image_path = strcat('D:\MATLAB\2022 亚太\数字
\','new1#',num2str(j),'0',num2str(wrong(i)),'.bmp');
image = imread(image_path);
for k = 1 : 11
Z(k)=corr2(K{k},image);
end
R(wrong(i)-109,j)=find(Z==max(Z))-1
end
end
%%热电偶温度变化
for i = 1 : the_length
if R(i,4)~=10
wendu_1(i)=R(i,1)*1000+R(i,2)*100+R(i,3)*10+R(i,4);
else
wendu_1(i)=R(i,1)*100+R(i,2)*10+R(i,3);
end
if R2(i,4)~=10
wendu_2(i)=R2(i,1)*1000+R2(i,2)*100+R2(i,3)*10+R2(i,4);
else
wendu_2(i)=R2(i,1)*1000+R2(i,2)*100+R2(i,3)*10+R2(i,4)-9;
end
end
wendu_1=wendu_1';
wendu_2=wendu_2';
%%校准
for i = 1 : the_length
if wendu_1(i)<300
wendu_1(i)=wendu_1(i)*10+1;
end
if wendu_2(i)<300
wendu_2(i)=wendu_2(i)*10+1
end
end
%%数据存入表 2
t=110:the_length+109;
t=t';
% xlswrite('Attachment 2.xlsx',t,'sheet1','B2:B563');
% xlswrite('Attachment 2.xlsx',wendu_1,'sheet1','C2:C563');
% xlswrite('Attachment 2.xlsx',wendu_2,'sheet1','D2:D563');
wendu_1=xlsread('Attachment 2.xlsx','C2:C563');
wendu_2=xlsread('Attachment 2.xlsx','D2:D563');
wendu_1(321,1)=1291;
%%画图
%%picture1
figure
%plot(t,wendu_1,'b',t,wendu_2,'r');
plot(t,wendu_1,'b','linewidth',1.5);
hold on;
plot(t,wendu_2,'r','linewidth',1.5);
grid on;
xlabel('Time/s');
ylabel('Temperature/℃');
title('1#wire temperature-2#wire temperature-time diagram');
%%picture2
pj_wendu_1=ones(length(wendu_1),1).*sum(wendu_1)/length(wendu_1);
pj_wendu_2=ones(length(wendu_2),1).*sum(wendu_2)/length(wendu_2);
figure
%plot(t,pj_wendu_1,'b',t,pj_wendu_2,'r');
plot(t,pj_wendu_1,'b','linewidth',1.5);
hold on;
plot(t,pj_wendu_2,'r','linewidth',1.5);
grid on;
xlabel('Time/s');
ylabel('Temperature/℃');
title('1#wire average temperature-2#wire average temperature-time
diagram');
%%compare
cnn_1=xlsread('D:\MATLAB\2022 亚太\温度.xls','B1:B562');
cnn_2=xlsread('D:\MATLAB\2022 亚太\温度.xls','C1:C562');
%%1#
figure
%plot(t,wendu_1,'b',t,cnn_1,'r');
plot(t,cnn_1,'k','linewidth',1.5);
hold on;
plot(t,wendu_1,'b','linewidth',1.5);
grid on;
xlabel('Time/s');
ylabel('Temperature/℃');
title('1#Forecast temperature comparison chart');
%%2#
figure
%plot(t,wendu_2,'b',t,cnn_2,'r');
plot(t,cnn_2,'k','linewidth',1.5);
hold on;
plot(t,wendu_2,'b','linewidth',1.5);
grid on;
xlabel('Time/s');
ylabel('Temperature/℃');
title('2#Forecast temperature comparison chart')；

clc
clear all
close all
%%import data
digitDatasetPath = fullfile('E:\Matlab\matlab
apply\bin\shouxieshibie\shouxieshibie','/handwrite/');
imds = imageDatastore(digitDatasetPath,...
'IncludeSubfolders',true,'LabelSource','foldernames');%The folder
name is used as the data tag
%%Number of data set graphs
countEachLabel(imds)
numTrainFiles = 17;%Each number has 22 samples, and 17 samples are taken
as training data
[imdsTrain,imdsValidation] =
splitEachLabel(imds,numTrainFiles,'randomized');
%View the size of the image
img = readimage(imds,1);
size(img)
%%Define the structure of convolutional neural network
layers = [
%Layer of input
imageInputLayer([28 28 1])
%Layer of convolution
convolution2dLayer(5,6,'Padding',2)
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'stride',2)
convolution2dLayer(5,16)
batchNormalizationLayer
reluLayer
maxPooling2dLayer(2,'stride',2)
convolution2dLayer(5,120)
batchNormalizationLayer
reluLayer
%Final layer
fullyConnectedLayer(11)
softmaxLayer
classificationLayer];
%%Trained neural network
%%Setting training Parameters
options = trainingOptions('sgdm',...
'MaxEpochs',50,...
'ValidationData',imdsValidation,...
'ValidationFrequency',5,...
'Verbose',false,...
'Plots','training-progress');%Shows the progress of the training
%Train the neural network, save the network
net = trainNetwork(imdsTrain,layers,options);
save 'CNNet.mat' net
%load('CNNet.mat')
%%Tagged data
mineSet = imageDatastore('E:\Matlab\matlab apply\bin\手写识别\手写识别
\hw22\hw22', 'IncludeSubfolders',false,'FileExtensions','.jpg' );
mLabels = cell(size(mineSet.Files,1),1);
for i = 1:size(mineSet.Files,1)
[filepath,name,ext] = fileparts(char(mineSet.Files{i}));
mLabels{i,1} = char(name);
end
mLabels2 = categorical(mLabels);
mineSet.Labels = mLabels2;
%%Use the network to classify and calculate accuracy
%Handwritten data
YPred = classify(net,mineSet);
YValidation = mineSet.Labels;
%Rate of accuracy of calculation
accuracy = sum(YPred == YValidation)/numel(YValidation)
%Plot the forecast results
figure;
nSample = 11;
ind = randperm(size(YPred,1),nSample);
for i = 1:nSample
subplot(2,fix((nSample+1)/2),i)
imshow(char(mineSet.Files(ind(i))))
title(['Forecast：' char(YPred(ind(i)))])
if char(YPred(ind(i))) ==char(YValidation(ind(i)))
xlabel(['True:' char(YValidation(ind(i)))],'Color','b')
else
xlabel(['True:' char(YValidation(ind(i)))],'color','r')
end
end
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/110555.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

37 WEB漏洞-反序列化之PHPJAVA全解(上)

37 WEB漏洞-反序列化之PHPJAVA全解(上)

目录 PHP反序列化演示案例&#xff1a;先搞一把PHP反序列化热身题稳住-无类问题-本地在撸一把CTF反序列化小真题压压惊-无类执行-实例最后顶一把网鼎杯2020青龙大真题舒服下-有类魔术方法触发-实例 https://www.cnblogs.com/zhengna/p/15661109.html 代码在线测试平台&#xff…
阅读更多...
k8s-20 hpa控制器

k8s-20 hpa控制器

hpa可通过metrics-server所提供pod的cpu 或者内存的负载情况&#xff0c;从而动态拉伸控制器的副本数&#xff0c;从而达到后端的自动弹缩 官网&#xff1a;https://kubernetes.io/zh-cn/docs/tasks/run-application/horizontal-pod-autoscale-walkthrough/ 上传镜像 压测 po…
阅读更多...
IPV6 ND协议--源码解析【根源分析】

IPV6 ND协议--源码解析【根源分析】

ND协议介绍 ND介绍请阅读上一篇文章&#xff1a;IPv6知识 - ND协议【一文通透】11.NDP协议分析与实践_router solicitation报文中不携带source link-layer address-CSDN博客 ND协议定义了5种ICMPv6报文类型&#xff0c;如下表所示&#xff1a; NS/NA报文主要用于地址解析RS/…
阅读更多...
【数之道 08】走进“卷积神经网络“，了解图像识别背后的原理

【数之道 08】走进“卷积神经网络“，了解图像识别背后的原理

卷积神经网络 CNN模型的架构Cnn 的流程第一步 提取图片特征提取特征的计算规则 第二步 最大池化第三步 扁平化处理第四步 数据条录入全连接隐藏层 b站视频 CNN模型的架构 图片由像素点组成&#xff0c;最终成像效果由背后像素的颜色数值所决定的 有这样的一个66的区域&#x…
阅读更多...
Datawhale-新能源时间序列赛事学习笔记(1)

Datawhale-新能源时间序列赛事学习笔记(1)

1.赛题描述 在电动汽车充电站运营管理中&#xff0c;准确预测充电站的电量需求对于提高充电站运营服务水平和优化区域电网供给能力非常关键。本次赛题旨在建立站点充电量预测模型&#xff0c;根据充电站的相关信息和历史电量数据&#xff0c;准确预测未来某段时间内充电站的充电…
阅读更多...
Java基础20问（6-10）

Java基础20问（6-10）

6.Java接口和抽象类的区别&#xff1f; 不同点 1.接口在Java8之前不能写方法实现逻辑&#xff0c;Java8及以后的版本&#xff0c;可以用default关键字写方法的实现。 2.接口中方法都是public的&#xff0c;public可以省略&#xff0c;而抽象类没有这个限制。 3.接口用inter…
阅读更多...
【MATLAB第79期】基于MATLAB的数据抽样合集（sobol、LHS、Halton、正交、随机函数）更新中

【MATLAB第79期】基于MATLAB的数据抽样合集（sobol、LHS、Halton、正交、随机函数）更新中

【MATLAB第79期】基于MATLAB的数据抽样合集&#xff08;sobol、LHS、Halton、正交、随机函数&#xff09;更新中 一、随机函数 1.指定区间随机生成数据&#xff08;小数&#xff09; [a b]区间随机数生成: Aa(b-a)rand(m,n) m&#xff1a;待生成矩阵A的行数 n: 待生成矩阵A…
阅读更多...
【c++】跟webrtc学std array 2：TaskExecutorMap单例用法

【c++】跟webrtc学std array 2：TaskExecutorMap单例用法

D:\XTRANS\m98_rtc\ndrtc-webrtc\src\base\task\task_executor.ccstd array实现的map：TaskExecutorMap // Maps TaskTraits extension IDs to registered TaskExecutors. Index |n| // corresponds to id |n - 1|. using TaskExecutorMap =std::array<TaskExecutor*, Task…
阅读更多...
物联网AI MicroPython传感器学习 之 AS608指纹识别模块

物联网AI MicroPython传感器学习 之 AS608指纹识别模块

学物联网&#xff0c;来万物简单IoT物联网&#xff01;&#xff01; 一、产品简介 AS608指纹识别模块是一款高性能的光学指纹识别模块。它采用的是指纹识别芯片公司杭州晟元芯片技术有限公司生产的AS608指纹识别芯片。该芯片内置DSP运算单元&#xff0c;集成了指纹识别算法&am…
阅读更多...
CENTOS 7基于ISO文件进行安装新软件

CENTOS 7基于ISO文件进行安装新软件

众所周知&#xff0c;YUM是CENTOS7的安装程序。 普通情况下&#xff0c;连网之后 &#xff0c;用yum install 就可以安装。 但当网络环境经常出现连接失败的情况&#xff0c;默认情况下的行为就走不通了。 为解决这个问题&#xff0c;可以考虑如下三个方案 方案一&#xff1a;Y…
阅读更多...
23.项目开发之量化交易抓取数据QuantTradeData(二)

23.项目开发之量化交易抓取数据QuantTradeData(二)

后端业务&#xff1a;定时更新“A股日线行情”数据 需求说明 为了获取前一天的最新数据&#xff0c;我们需要每天晚上10点定时刷新daily股票列表基础信息&#xff0c;并将最新数据插入或更新到数据库中。 如果该内容是在当天交易日信息未更新前查询&#xff08;15~16点之前&a…
阅读更多...
【Python】Python 中的Docutils模块详解

【Python】Python 中的Docutils模块详解

Python 中的Docutils模块详解 1. 什么是Docutils Docutils项目的主要是为了创造一套将纯文本转换为一些常用格式的工具&#xff0c;这些常用格式包括&#xff1a;HTML、XML和LaTeX。请事先了解 reStructuredText 的基础知识。 已经支持的包括&#xff1a; 独立的文本文件 P…
阅读更多...
利用 NLP 超能力：一步步介绍Hugging Face微调教程

利用 NLP 超能力：一步步介绍Hugging Face微调教程

导入必要的库 导入必要的库类似于为特定编程和数据分析活动构建工具包。这些库通常是预先编写的代码集合，提供广泛的功能和工具，有助于加快开发速度。开发人员和数据科学家可以通过导入适当的库来访问新功能、提高生产力并使用现有解决方案。 import pandas as pd import n…
阅读更多...
《数据结构、算法与应用C++语言描述》使用C++语言实现数组循环队列

《数据结构、算法与应用C++语言描述》使用C++语言实现数组循环队列

《数据结构、算法与应用C语言描述》使用C语言实现数组循环队列 定义 队列的定义 队列&#xff08;queue&#xff09;是一个线性表&#xff0c;其插入和删除操作分别在表的不同端进行。插入元素的那一端称为队尾&#xff08;back或rear&#xff09;&#xff0c;删除元素的那一…
阅读更多...
vue 鼠标划入划出多传一个参数

vue 鼠标划入划出多传一个参数

// item可以传递弹窗显示数据&#xff0c; $event相关参数可以用来做弹窗定位用 mouseover"handleMouseOver($event, item)" mouseleave"handleMouseLeave($event, item)"举个栗子&#xff1a; 做一个hover提示弹窗组件(用的vue3框架 less插件) 可以将组件…
阅读更多...
rabbitmq发送json格式 utf8编码数据

rabbitmq发送json格式 utf8编码数据

参考文章&#xff1a;Spring-Cloud RabbitMQ 用法 - 发送json对象 - 简书 生产者&#xff1a; 消费者&#xff1a;
阅读更多...
哪家堡垒机支持国密算法？有哪些功能？

哪家堡垒机支持国密算法？有哪些功能？

国密算法即国家密码局认定的国产密码算法&#xff0c;即商用密码。最近看到有不少小伙伴在问&#xff0c;哪家堡垒机支持国密算法&#xff1f;有哪些功能&#xff1f; 哪家堡垒机支持国密算法&#xff1f; 行云堡垒支持SM2、SM3、SM4等国产密码算法&#xff0c;同时支持国密…
阅读更多...
2023年下半年NPDP考试今天开始报名！

2023年下半年NPDP考试今天开始报名！

2023年第二次NPDP考试将于2023年12月2日&#xff08;周六&#xff09;举行&#xff0c;考试报名相关事项安排如下&#xff1a; 一、考试时间&#xff1a; 12月2日09:00-12:30。 二、报名时间&#xff1a; 10月18日08:00-11月10日23:59。 三、缴费及退考截止时间&#xff1…
阅读更多...
C++使用openssl对AES-256-ECB PKCS7 加解密

C++使用openssl对AES-256-ECB PKCS7 加解密

/** AES-256-ECB PKCS7 加密 函数* input:经过PKCS7填充后的明文数据* outhex:加密后的命名数据16进制数,可以使用base64_encode转换为base64格式字符串密文* key:密钥* len:经过PKCS7填充后的明文数据长度*/ void AesEcb256Pkcs7Encrypt(u8 *input, u8 *outhex, u8 *key, int …
阅读更多...
基于Java的旅游网站系统设计与实现(源码+lw+部署文档+讲解等)

基于Java的旅游网站系统设计与实现(源码+lw+部署文档+讲解等)

文章目录 前言具体实现截图论文参考详细视频演示为什么选择我自己的网站自己的小程序&#xff08;小蔡coding&#xff09; 代码参考数据库参考源码获取 前言 &#x1f497;博主介绍&#xff1a;✌全网粉丝10W,CSDN特邀作者、博客专家、CSDN新星计划导师、全栈领域优质创作者&am…
阅读更多...
最新文章

Copyright @ 2022~2023