记录——超声相控阵,斜入射;大道理(取自主论文)
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88423711 超声波阵列成像在无损检测(NDT)中的应用非常普遍[1]。全聚焦法(TFM)是一种先进的脉冲脉冲反射探伤法,它使用与测试材料接触的阵列,生成内部缺陷的全聚焦图像。 在超声成像中,它通常被称为“黄金标准”[3,4]。 虚拟源孔径(VSA)最初是在医学上引入的[7],但后来已应用于无损检测[8]。该技术使用TFM算法进行成像,但是,与使用FMC-T
re新手逆向cut题
拿到题目,发现这不是一个可以执行的exe文件,所以,把它拖进IDA看一下(64位)。然后进入main函数,按F5查看伪代码。 首先,v8是我们输入的flag(也就是正确的flag,我们现在还并不知道),然后有个_substr666函数,又与我们输入的v8有关,点进去看一下。 然后发现,a3其实是开始循环的i下标,而a4则是for语句循环的次数,又由于a2是传值调用v8,所以可以知道,其实是把v8(也就是flag)的前六位存到了a1(即v9里面去)。 同理可以知道,主函数中后面的两条语句分别是将
文本离散表示(二):新闻语料的one-hot编码
上一篇博客介绍了文本离散表示的one-hot、TF-IDF和n-gram方法,在这篇文章里,我做了一个对新闻文本进行one-hot编码的小实践。 文本的one-hot相对而言比较简单,我用了两种方法,一种是自己造轮子,第二种是用深度学习框架keras来做。同时,我发现尽管sklearn可以实现对特征向量的one-hot,但并不适用于文本的处理。 代码和新闻文本文件可到我github主页下载:https://github.com/DengYangyong/one_hot_distribution
吴恩达老师的神经网路和深度学习_04
上节学习笔记主要学了点二分类(Binary Classification)链接如右边https://www.cnblogs.com/mengmengxia/p/10534960.html 这篇主要学习逻辑回归、逻辑回归的代价函数和梯度下降法。那么先看如何使用逻辑回归来解决二分类问题。 逻辑回归(Logistic Regression) 逻辑回归就是这样的一个过程:面对一个回归或者分类问题,建立代价函数,然后通过优化方法迭代求解出最优的模型参数,然后测试验证我们这个求解的模型的好坏。Logist
记录——超声相控阵,斜入射;实验方案
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88424302 一、选定探头类型: 反正也不是我说了算,来个小角度的吧。 大角度探头的缺点: 1.入射点不好确定,(公式法计算得到的结果无法显像) 二、选择仪器类型: 没得选 三、水层厚度: 二次焦点位置大概处于缺陷的深度,然后通过实验反馈结果调整水层厚度; 水层厚度太小容易导致焦点理论位置与实际位置相差太大; 焦点位置要根据实验结果进行修正 四、试块形状、类
python——列表操作(切片)
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88424979 冒号左边空,就要从偏移量为0的元素开始取;右边空,就要取到列表的最后一个元素 冒号左边数字对应的元素要拿,右边的不动
python——了解python; python的标识符;python的保留字符;python的缩进;
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88579711 Python 是一种 解释型(这意味着开发过程中没有了编译这个环节)、 面向对象(支持面向对象的风格或代码封装在对象的编程技术)、 动态数据类型的交互式(可在命令行中通过Python提示符及直接代码执行程序)高级程序设计语言。 标识符由字母、数字、下划线组成,但不能以数字开头,且区分大小写。 (为了方便电脑快速区分数据和标识符,所以,标识符不以
python——数据类型,数据拼接,type(),数据类型转换
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88584399 数据类型转换时,括号里放变量名就可以了。
python——输出函数print();转义字符\;变量命名与赋值;
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88579943
python——for,while循环
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88585410 当我们【工作量确定】的时候,我们就可以让for循环来完成重复性工作。反之,要【工作量不确定时】可以让while循环来工作。 当重复(重复与循环有一点区别)次数N次时,两者都能做。不过往往for循环的代码相对更简洁一些。 while循环:while后面一定要记得加控制结束的语句,不然就会死循环。 for循环,i会自动加1,while循环i加1需要
记录——全矩阵捕捉(FMC)/全聚焦方法(TFM)
全矩阵捕捉(FMC)怎样运作 ? 全聚焦方法(TFM)是一种超声阵列后处理技术,用于全聚焦在感兴趣的区域的每个点。 第一步: 采集全矩阵捕捉 (FMC)数据 全矩阵捕捉(FMC)是收集相控阵数据的另一种方法 这项技术不需要任何待检查件的知识(也不需要形状,也不需要速度) 每个元素都是逐个激活(镜头) 记录接收中的所有元素,因此存储信号矩阵以便进行处理 第二步: 重建:全聚焦方式 (TFM) 转自:https://www.m2m-ndt.com/zh/technology-2/pa-techni
matlab中x.^2与x^2
版权声明:double12754 https://blog.csdn.net/double12754/article/details/88606822 .^ 2是矩阵中的每个元素都求平方, ^ 2是求矩阵的平方或两个相同的矩阵相乘(要求矩阵是方阵) x = 1 2 3 4 》x^2 ans = 7 10 15 22
ECS上安装docker运行阿里云日志服务demo
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/suifeng2018/article/details/78468090 ECS上安装docker运行阿里云日志服务demo yum 安装docker yum install docker
Installing:
docker x86_64 2:1.1
常用java 命令行命令的使用及示例
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/suifeng2018/article/details/79292470 1. jps :查看系统当前运行的java进程 PS C:\WINDOWS\system32> jps -h
illegal argument: -h
usage: jps [-help]
jps [-q] [-mlvV] [<hostid>]
Definitions:
<hostid>:
今日推荐
周排行