error LNK1104: 无法打开文件“msvcprtd.lib”

Windows下编译和JSONCPP的使用入门

JSON入门帮助文档 JSON在Windows下的编译

转载：已编译好的openssh库

可以直接用别人做好的windows OpenSSL 安装包（我用的是0.9.8j版）， 可以从 http://www.slproweb.com/products/Win32OpenSSL.html 下载 OpenSSL for Windows，直接安装。 P.S. OpenSSL for Windows 的源代码有一些数据类型和VC6的编译器不兼容，我发现的不兼容的数据类型如下： 　　在OpenSSL安装目录的下的include/bn.h文件中，将 #define BN_ULLONG unsigned long long #define BN_ULONG unsigned long long #define BN_LONG long long 分别修改为： #define BN_ULLONG ULONGLONG #define BN_ULONG ULONGLONG #define BN_LONG LONGLONG 否则，会出现编译错误。 二、使用OpenSSL 在VC中配置使用以上的函数库： 点击菜单：Tools -> Options，弹出对话框"Options"，在该对话框中选择"Directories"标签。 在"Show directories for:"的"Include files"选项中新增目录"C:\openssl\include"； "Library files"选择中新增目录"C:\openssl\lib"。 然后在需要链接OpenSSL函数库的工程中加入如下两句： #pragma comment(lib, "ssleay32.lib") #pragma comment(lib, "libeay32.lib") 其作用是将OpenSSL所需的库导入工程中。 三、问题 我在链接OpenSSL的静态函数库时遇到类似以下的问题： Linking... msvcrt.lib(MSVCRT.dll) : error LNK2005: _strchr already defined in libcmtd.lib(strchr.obj) ... 这是由于OpenSSL的静态函数库使用的是了VC的多线程DLL的Release版本，而我的程序使用了多线程静态链接的Release版本。 调整OpenSSL的静态函数库使用的库函数版本即可，调整过程如下： 编辑文件 ms\nt.mak，将该文件第19行 "CFLAG= /MD /Ox /O2 /Ob2 /W3 /WX /Gs0 /GF /Gy /nologo -DOPENSSL_SYSNAME_WIN32 -DWIN32_LEAN_AND_MEAN -DL_ENDIAN -DDSO_WIN32 -D_CRT_SECURE_NO_DEPRECATE - D_CRT_NONSTDC_NO_DEPRECATE /Fdout32 -DOPENSSL_NO_CAMELLIA -DOPENSSL_NO_SEED -DOPENSSL_NO_RC5 -DOPENSSL_NO_MDC2 -DOPENSSL_NO_TLSEXT -DOPENSSL_NO_KRB5 - DOPENSSL_NO_DYNAMIC_ENGINE" 中的"/MD"修改为"/MT"。然后重新编译安装OpenSSL即可。 四、附录：在VC中对C/C++ 运行时库不同版本编译指令说明 《在VC中对C/C++ 运行时库不同版本编译指令说明》(http://blog.yesky.com/271/dgkang/1737771.shtml)一文中详细介绍了连接不同版本库的编译指令如下： C Runtime Library： /MD MSVCRT.LIB 多线程DLL的Release版本 /MDd MSVCRTD.LIB 多线程DLL的Debug版本 /MT LIBCMT.LIB 多线程静态链接的Release版本 /MTd LIBCMTD.LIB 多线程静态链接的Debug版本 /clr MSVCMRT.LIB 托管代码和非托管代码混合 /clr:pure MSVCURT.LIB 纯托管代码 C++ Standard Library： /MD MSVCPRT.LIB 多线程DLL的Release版本 /MDd MSVCPRTD.LIB 多线程DLL的Debug版本 /MT LIBCPMT.LIB 多线程静态链接的Release版本 /MTd LIBCPMTD.LIB 多线程静态链接的Debug版本

LLC谐振变换器恒压恒流双竞争闭环控制simulink仿真（附说明文档）

内容概要：本资源是一套面向电力电子与智能控制领域的综合性科研仿真资料合集，核心聚焦于LLC谐振变换器的恒压恒流双竞争闭环控制策略设计与Simulink建模仿真实现，涵盖半桥LLC、双向全桥LLC等拓扑结构的调频闭环仿真，并提供详尽的说明文档与PPT辅助材料。资源体系不仅深入呈现LLC变换器的动态响应与控制逻辑，还扩展至双有源桥（DAB）变换器的软开关协同优化、最小应力控制、EPS调制策略及新扩展移相角优化等前沿技术，同时集成三相PWM整流器在电网不平衡条件下的功率平衡控制、VOC+SVPWM双闭环控制等典型应用场景。此外，资源包涵盖状态估计（如EKF、UKF、PF）、微电网经济调度、卡尔曼滤波融合、神经网络控制、PID优化、储能系统管理等多个交叉方向，特别强调对顶级EI期刊研究成果的高精度复现，旨在帮助科研人员快速掌握先进控制算法的核心思想与仿真实现方法。; 适合人群：电气工程、自动化、电力电子、新能源科学与工程等相关专业的硕士博士研究生、高校科研人员，以及从事新能源变换器、智能电网、电动汽车、微电网系统研发的工程技术人员。; 使用场景及目标：① 深入理解LLC与DAB变换器的闭环控制机理，掌握恒压恒流切换、软开关实现与损耗优化方法；② 利用Simulink平台构建复杂电力电子系统模型，开展动态性能分析与控制器参数整定；③ 复现高水平期刊论文中的先进控制策略，提升科研创新能力与论文发表竞争力；④ 支持毕业设计、科研课题、项目申报及工程原型开发中的仿真验证环节。; 阅读建议：建议结合提供的完整资源目录循序渐进学习，优先研读标注“顶级EI复现”的案例以获取权威方法参考，配合MATLAB/Simulink动手搭建模型，重点关注控制框图设计、调制逻辑实现与仿真结果对比，深入理解算法背后的物理意义与数学推导过程。

YOLO26算法水面与液体识别+训练好的模型+393张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 52 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.8528** mAP50-95 | 0.3441 Precision | 0.7729 Recall | 0.8354 train/box_loss | 1.5367 train/cls_loss | 1.0228 val/box_loss | 1.6809 val/cls_loss | 1.1758 【训练过程分析】 我这次训练了52个周期，模型在训练初期确实收敛速度很快，前20个周期mAP50从0.74逐步提升至0.82，这说明模型开始适应数据集，学习到一些关键特征。但到第30个周期后，提升速度逐渐放缓，到了40个周期时，mAP50达到0.85，这个阶段的曲线走势有些像磨砂玻璃，平滑且不规则，后期更是趋于平缓，表明模型可能已经达到最优解，再继续训练可能会有少量提升但代价较大。整体而言，从loss曲线来看，训练集的box_loss和cls_loss在52个周期内分别从1.80和1.25降到1.54和1.02，下降曲线较为稳定，但到了后期，这两项指标下降幅度逐渐减缓，尤其cls_loss下降至1.10左右后趋于稳定，这可能是模型对训练数据已有了较强的泛化能力，但也提示我们分类的稳定性可能还欠些火候。 至于验证集的表现，box_lo... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。

概率神经网络的分类预测-基于PNN的变压器故障诊断（Matlab代码实现）

内容概要：本文系统阐述了基于概率神经网络（PNN）的变压器故障诊断方法，结合Matlab代码实现分类预测。通过提取变压器运行过程中的关键特征参数，构建PNN模型以实现对正常状态与典型故障状态（如绕组短路、铁芯故障等）的高效分类识别。文章深入剖析了PNN的网络结构、概率密度估计原理、训练机制及分类决策过程，并通过仿真实验验证了该方法在故障诊断任务中具备较高的准确率与鲁棒性，展现了其在电力系统状态监测与智能运维中的良好应用前景。; 适合人群：具备一定机器学习理论基础和Matlab编程能力的电气工程、自动化、智能电网等相关领域的研究生、科研人员以及从事电力设备状态监测与故障诊断工作的工程技术人员。; 使用场景及目标：①实现变压器早期故障的智能化诊断与预警，提升电力系统运行安全性；②为基于神经网络的工业设备故障分类任务提供可复现的算法实现范例与技术验证平台； 阅读建议：建议读者结合文中提供的Matlab代码，动手复现实验流程，深入理解PNN在实际分类问题中的参数配置、训练策略、性能评估方法，并鼓励将该方法迁移至其他电力设备或机电系统的故障诊断场景中进行拓展研究与优化改进。