重磅消息!亚马逊智能硬件与服务亚洲(Amazon Devices and Services Asia)软件开发工程师金秋招聘季特别活动:10月中旬完成线上coding测验,就有机会11月拿到offer! 本次特别招募活动旨在吸引并培养在职业发展初期的
相关推荐
AI科技热点日报 | 2026年6月14日
6月14日AI领域重磅事件密集:四部门联合发布的《人工智能生成合成内容标识办法》全网统一落地执行,AI短视频必须开头3秒标注"AI生成";华为开发者大会HDC 2026闭幕日发布开源盘古2.0模型(最高505B参数),HarmonyOS 7全面拥抱AI向Agent架构演进;2026未来汽车AI技术展6月13日在重庆启幕聚焦"AI+汽车"全产业链;美国商务部以国家安全为由暂停Anthropic Claude Fable 5和Mythos 5全球访问,Anthropic罕见公开反驳政府结论;
Cadence Allegro X 25.1 智能化功能解析:AI如何革新PCB设计流程
在电子设计自动化(EDA)领域,PCB设计是连接电路原理与物理实现的核心环节。其基本原理是通过布局布线将元器件连接成预定功能的电路,并确保信号完整性、电源完整性和电磁兼容性。随着芯片集成度提升和信号速率加快,传统手动设计模式面临效率瓶颈和出错风险。AI辅助设计技术的价值在于,它能将工程师从重复性劳动中解放,通过智能决策优化设计质量与速度。在高速数字电路、射频模块等应用场景中,智能化工具能自动处理差分对布线、等长匹配、实时DRC检查等复杂任务。本文聚焦Cadence Allegro/OrCAD X 25.1版
从开源模型到国产芯片:昇腾910B与RK3588部署实战与推理优化指南
开源大模型的发布只是起点,真正决定AI应用能否落地的是模型与芯片、推理框架、算子库之间的适配能力。在国产AI生态加速成熟的今天,昇腾910B、RK3588等平台已成为企业私有化部署和边缘计算的重要选择。理解模型权重、计算图与算子的映射关系,掌握vLLM、RKNN等推理工具链的配置方法,是提升推理性能、降低部署成本的关键。本文将结合多模态模型部署的共性难点,从vLLM-Ascend加载文本生成与Embedding模型,到RKNN工具链完成边缘端轻量化转换,系统梳理从数据中心到边缘设备的工程实践路径,帮助开发者
好用免费猴PDM查阅器v1.7
# 好用免费猴PDM查阅器 一个用 Python 写的 **PowerDesigner `.pdm` 模型阅读器**:不用装 PowerDesigner,双击就能把 `.pdm` 里的表、字段、主键、索引、外键、注释全部摊开看,任意内容可直接复制,并一键导出 Excel / HTML / Markdown / 建表 DDL。 - **v1.7**:彻底修掉「再点表就覆盖已打开的 sheet」——已打开的表单独记成一份标签列表,和左侧「选中」不再共用状态,**筛选框找表后再点,永远是新开一个标签、绝不动已有的**;已打开的表在清单里显示为**绿色**,再点它是「切回那个标签」,`Ctrl`+单击才关掉 - **v1.6**:左侧清单**点一下就打开**(不用再按 Ctrl / Shift);启动默认进「标签页切换」;标签页开着 5 张以上时切「并排分屏」会自动弹窗让你挑要保留的 4 张 - **v1.5**:两种多表视图 ——「并排分屏」(≤4 栏,窄栏也显示全部列,Shift+滚轮 / 中键拖动可横向滚动)+「标签页切换」(像 Excel sheet 一样一个表一个标签,最多 12 个,看另一张表时其余自动隐藏);exe 图标改用 Windows 原生多尺寸设置,标题栏/任务栏不再被拉伸糊掉 - **v1.4**:多表分屏 —— 左侧按住 Ctrl / Shift 多选表,右侧每张表开一个独立面板并排展示(最多 4 个,各栏自动等宽),超了会弹窗让你自己挑;exe 换成新的像素猴子图标 - **v1.3**:打开过的文件会被记住,下次启动自动载入同一批模型并回到上次查看的表,不用每次重新选 - **v1.2**:新增程序内复制(任意表格框选 → Ctrl+C / 右键复制,支持 Tab 分隔与 Markdown) - 单文件实现,`pdm_viewer.py` 一个文件
用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)
内容概要:本文围绕“用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究”展开,系统阐述了卡尔曼滤波在动态系统状态估计中的核心作用,重点探讨了最优增益的递推计算方法与基于最小均方误差准则的状态更新机制。研究内容涵盖线性系统状态估计的完整流程,包括状态预测、协方差传播、创新计算、卡尔曼增益求解及状态校正等关键步骤,并通过Matlab代码实现了算法的仿真验证,展示了其在噪声环境下对系统状态进行高精度跟踪的有效性。文中不仅强调理论推导,还注重工程实现细节,帮助读者深入理解卡尔曼滤波的数学本质与自适应特性。; 适合人群:具备线性代数、概率统计及控制理论基础知识,熟悉Matlab编程语言,从事自动化、电子信息、通信工程、导航制导、信号处理、物联网或智能系统研发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于传感器数据融合、目标跟踪、惯性导航(如GNSS/INS组合导航)、工业过程监控等存在噪声干扰的状态估计任务;②帮助读者掌握卡尔曼滤波从数学建模到代码实现的全过程,深入理解MMSE估计原理及其在提升系统鲁棒性与精度方面的关键作用;③为后续学习非线性滤波算法(如扩展卡尔曼EKF、无迹卡尔曼UKF)以及更复杂的多传感器融合架构奠定坚实的理论与实践基础。; 阅读建议:建议读者结合提供的Matlab代码逐行调试运行,重点关注预测与更新过程中各矩阵的维度变化与数值演化,尝试调整过程噪声与观测噪声的协方差参数,观察其对滤波收敛速度、估计精度及卡尔曼增益自适应调节的影响,从而深刻领会滤波器的设计思想与调参技巧。


