奇点智库 SingularityMind

华为鸿蒙（HarmonyOS）开发入门与实战手册本文档面向有一定编程基础的开发者，系统整理 HarmonyOS 应用开发的核心知识与实战技巧，涵盖开发环境、项目结构、ArkTS 语言基础、常用组件、网络数据处理、本地存储等日常高频场景，配有完整示例与注释。 前言：HarmonyOS 生态概览什么是 HarmonyOSHarmonyOS（鸿蒙操作系统）是华为推出的面向全场景（手机、平板、智慧屏、可穿戴设备、车机、IoT 设备等）的分布式操作系统。其核心理念是”一次开发，多端部署”——同一套代码可以运行在不同设备形态上。 核心术语 术语 说明 OpenHarmony 开放原子开源基金会托管的开源项目，是 HarmonyOS 的开源底座 HarmonyOS 华为基于 OpenHarmony 商业化的操作系统品牌 ArkUI HarmonyOS 的声明式 UI 开发框架，支持 ArkTS 和 JavaScript 两种开发范式 ArkTS 基于 TypeScript 扩展的编程语言，是 HarmonyOS 推荐的声明式 UI 开发语言 Stage 模型 Har...

Linux 常用命令速查手册本文档面向实际开发、运维工作中的高频 Linux 命令，按功能分类整理，配有翔实示例，适合日常查阅。 目录 1. 文件与目录操作 2. 文本处理 3. 用户与权限 4. 进程管理 5. 网络命令 6. 磁盘与文件系统 7. 压缩与归档 8. 查找与搜索 9. 系统信息与监控 10. 远程连接与文件传输 11. 服务与 systemd 12. 快捷键与 Shell 技巧 1. 文件与目录操作1.1 切换目录 cdcd /path/to/dir # 切换到指定目录 cd ~ # 切换到当前用户家目录 cd - # 切换到上一次所在目录 cd .. # 切换到上级目录 cd # 不带参数，等同于 cd ~ 示例： cd /var/log cd ~ pwd # 显示当前目录：/home/username cd - pwd ...

Git 常用命令速查手册本文档面向实际开发场景，系统整理日常高频使用的 Git 命令，配有详实注释与示例。适用于个人开发者日常查阅，也适合团队新人快速上手。 目录 前言：Git 核心概念 基础配置 仓库初始化与克隆 文件状态与暂存区 提交与历史 分支管理 远程仓库 拉取、推送与同步 合并与变基 撤销与回退 储藏工作进度 标签管理 忽略文件配置 查看与比较 重写历史 子模块与子树 Git Bisec 定位问题 常用工作流示例 前言：Git 核心概念理解 Git 的三大区域是掌握命令的基础： 区域 说明 工作区（Working Directory / Working Tree） 你当前编辑文件的地方，就是磁盘上的项目文件夹 暂存区（Staging Area / Index） 介于工作区和 Git 仓库之间的”待提交区”，文件修改先进入这里 Git 仓库（Repository） .git/ 目录，存放所有提交历史、分支、标签等数据 文件在三个区域之间的流转关系： 工作区 --git add--> 暂存区 --git comm...

Docker 常用命令大全本文整理 Docker 的常用命令，按「基础、镜像、容器、数据卷」分类，并配有示例，适合日常查阅与快速上手。 1. 基础概念Docker 是一套容器化平台，核心对象包括： 镜像（Image）：应用运行所需的只读模板，类似“安装包”或“快照”。 容器（Container）：镜像运行后的实例，具备可写层，可启动、停止、删除。 数据卷（Volume）：用于持久化数据、实现宿主机与容器之间的数据共享。 仓库（Registry）：保存和分发镜像的地方，例如 Docker Hub。 2. Docker 基础命令2.1 查看版本与信息docker version 查看 Docker 客户端和服务端版本。 docker info 查看 Docker 的系统级信息，例如容器数量、镜像数量、存储驱动等。 示例： docker version docker info 2.2 查看帮助docker --help docker <command> --help 示例： docker container --help 2.3 查看 Docker 资源占用dock...

Physics-Informed Stacking Ensemble with Random Forest for Short-Term Photovoltaic Power Forecasting 研究背景随着光伏发电在现代电力系统中的占比不断提高，光伏能源的间歇性和随机性逐渐成为影响电网稳定运行的重要因素。光伏发电功率受云层变化、太阳辐照度、温度以及气象条件等多种因素影响，因此在短时间尺度内可能出现明显波动，这给电网调度、储能系统管理以及电力市场运行带来了较大挑战。为了保证电力系统能够稳定、安全和经济运行，需要对光伏发电功率进行准确的短期预测。近年来机器学习方法逐渐被应用于光伏功率预测领域，相比传统统计方法，它们在处理复杂非线性关系方面表现更好。然而单一机器学习模型在不同气象条件下往往存在稳定性不足的问题，因此研究如何利用多模型融合方法提高预测精度与可靠性成为重要研究方向。 研究问题该论文主要关注如何提高短期光伏功率预测的准确性与稳定性。传统统计模型通常依赖时间序列规律，但难以捕捉气象变量与发电功率之间复杂的非线性关系，而单一机器学习模型虽然具有较好的非线性建模能力，...

基于OpenCV的智能图像处理软件 项目介绍本系统运用计算机视觉和数字图像处理相关知识，以实际图像处理需求为出发点，对OpenCV图像处理技术加以运用，构建出一个较为完善的基于OpenCV的图像处理系统。该图像处理系统主要提供以下功能：（1）基础图像处理：用户可以在界面选择基础处理功能，包括图像缩放、旋转、裁剪、亮度对比度调整、颜色空间转换等操作，满足日常图像编辑需求。（2）高级图像处理：系统提供边缘检测、形态学操作、图像分割、傅里叶变换等专业算法，支持Canny边缘检测、腐蚀膨胀、GrabCut分割等高级功能。（3）特效处理功能：系统集成了多种滤镜效果、噪声处理、艺术风格转换等特效模块，提供丰富的创意处理选项，满足不同用户的个性化需求。（4）图像保存功能：系统支持将处理后的图像保存为多种格式，用户可以方便地保存处理结果。（5）撤销重做功能：系统提供撤销和重做操作，用户可以回退到之前的处理状态，提高操作灵活性。（6）参数调节：系统提供直观的参数调节界面，用户可以精确控制各种处理算法的参数，实现个性化的处理效果。（7）错误处理机制：系统具备完善的错误处理功能，当处理过程中出现...

UNetRes结构的条件残差扩散图像复原 项目介绍系统实现了以下主要功能：首先基于上传的模糊图像，通过Web界面上传到服务器端；然后利用U-Net残差扩散模型进行图像重建与去模糊处理，恢复图像的清晰细节；并支持多种退化类型的图像修复，包括通用去模糊、低光照图像增强和天气条件下的图像修复。 用户界面采用现代化的Web界面设计，提供左右分栏布局的直观对比界面，支持图片拖拽上传，包含实时处理进度显示和滑动对比查看功能。处理完成后不仅显示清晰的修复结果，还提供专业的可视化对比功能：原图与修复结果对比图、滑动对比分析图、批量处理进度监控以及模型状态实时显示，帮助用户直观地理解处理效果和模型性能。整个系统旨在为用户提供一个高效、易用的图像去模糊工具，在实际应用场景中就能快速处理各种模糊图像，提升图像质量。 U-Net残差扩散模型是一种深度融合了U-Net架构、残差学习与去噪扩散概率模型的生成式模型。该模型以U-Net作为核心骨干网络，利用其对称的编码器-解码器结构进行多尺度特征提取与空间信息恢复，并通过跳跃连接保留浅层细节以提升生成精度。在U-Net的构建模块中引入残差学习机制，通过拟...

C++ Qt 开发完全指南 文档版本：v1.0 | 更新日期：2026-06-05Qt 版本：Qt 6.x（LTS 长期支持版）| C++ 标准：C++17 / C++20本文档涵盖 Qt 开发全流程：环境搭建、核心概念、常用技术栈、代码范式、优质项目推荐，以及详细的注解说明。 目录 Qt 开发概述 开发环境搭建 Qt 项目工程结构 核心模块与常用技术 常用代码范式与示例 进阶主题 优质项目推荐与学习资源 常见问题与调试技巧 附录 1. Qt 开发概述1.1 Qt 是什么Qt（读作 “cute”，官方发音）是由 Qt Company（原 Nokia 公司，后被 Digia、Qt Group 收购）开发的跨平台 C++ 应用程序开发框架。官方文档地址：https://doc.qt.io/qt6/ Qt 的核心优势： 特性 说明 跨平台 一套代码，编译运行于 Windows、macOS、Linux、Android、iOS 等 生态丰富 GUI、网络、数据库、XML/JSON、音视频、3D 等模块开箱即用 信号与槽 独特的对象间通信机制，...

基于YOLOv11的交通标志检测系统项目（本人独立开发，且已申请计算机软件著作权，请勿随意转载） 您的浏览器不支持视频播放。 一、项目概述1.1 项目简介本项目是一个基于YOLOv11的智能交通标志检测系统，支持实时检测、图片检测和视频检测三种模式。项目采用PyQt5构建现代化GUI界面，集成了原始训练脚本和优化训练脚本，专门针对小目标检测进行了深度优化。 ​ 检测系统时序图 1.2 主要特性 多模式检测：支持摄像头实时检测、图片批量检测、视频流检测 现代化UI：采用渐变色彩和圆角设计，提供良好的用户体验 智能优化：集成注意力机制和特征融合，提升小目标检测能力 完整流程：包含数据预处理、模型训练、验证、导出和部署的完整流程 统计分析：提供详细的检测统计和历史记录功能 1.3 技术栈 深度学习框架：PyTorch + Ultralytics YOLOv11 GUI框架：PyQ...

基于LLM和RAG的领克汽车智能问答系统 智能RAG问答系统概述本系统基于检索增强生成（Retrieval-Augmented Generation, RAG）范式构建，面向从非结构化文档（如 PDF）中高效检索信息并生成可溯源回答的应用场景。系统通过“索引—检索—生成”的流水线式技术路线，将文档解析、语义向量化、向量检索与大语言模型（LLM）生成有机整合，既保证答案的事实性与可追踪性，又兼顾在资源受限环境下的易部署与可扩展性。 技术路线系统遵循经典 RAG 三阶段流程： 索引（Indexing）：对文档进行结构化解析与清洗，采用定长分块（默认 512 字符，50 字符重叠）保持局部上下文连续性；随后使用 SentenceTransformer 嵌入模型对每个文本块进行向量化，构建基于 FAISS 的高维向量索引，并进行归一化以支持余弦相似度检索。 检索（Retrieval）：针对用户查询生成查询向量，在向量索引上进行内积检索（归一化后等价于余弦相似度），召回相似度最高的 Top-K 文档片段，并携带相似度分数与元数据返回。 生成（Generation）：将检索到的文档...