| 编号 |
类型 |
领域 |
结构类型 |
结构子类型 |
结构的数学约束和数学表达式及数字/数值约束 |
应用场景列表(在芯片中的作用) |
应用场景的应用方法和缺陷及限制 |
关联学科知识 |
关联知识 |
|---|---|---|---|---|---|---|---|---|---|
| 88 |
晶体位错(Dislocation)的应力场与能量结构 |
半导体材料与可靠性 |
晶体中的线缺陷 |
刃位错、螺位错、混合位错、位错环、位错网 |
数学约束: 弹性力学、位错应力场、自能、线张力、Peach-Koehler力。 |
相关推荐
【信息科学与工程学】【物理/化学科学和工程技术】知识体系028 土力学
说明:本表旨在系统化梳理土力学的理论核心与工程应用,尤其聚焦于道路工程场景。表格按知识逻辑分为十大模块,每个条目包含编号、类别、概念/理论名称、数学表述/核心方程、理论依据与在道路工程中的作用。编号类别概念/理论名称数学表述/核心方程理论依据与在道路工程中的作用1基本物理性质土的三相图, 理论依据:将土体抽象为固体颗粒、水、空气三相组成的连续介质,是定义所有物理指标的基础。 道路工程作用:用于计算路基土的密度、含水量、孔隙比等,是评价填料质量、压实标准的基础。2基本物理性质孔隙比理论依据:反映土的密实
【信息科学与工程学】【物理/化学科学和工程技术】第八篇 光学02
编号类型光学领域子领域核心数学方程式/算法模型逐步推理思考的数学方程式及数字/数值参数列表时序数学方程式和时序周期变化和稳态/非稳态关联知识加工工具/机床/装备及厂商及加工工艺及各类时序流程和各类注意事项261光学基础物理光学多光束干涉法布里-珀罗干涉仪透射率: T = T_max / (1 + F sin²(δ/2)) 其中 T_max = (1 - R)² / (1 - R)², F = 4R/(1-R)² 为精细度系数,δ = (4π/λ) n d cosθ 为相邻光束相位差。1. 推导
【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学05
编号类型磁学领域关联子领域核心数学方程式/算法模型模型逐步推理思考的数学方程式及数字/数值参数列表时序流程关联知识加工工具/机床/装备及厂商及加工工艺及各类时序流程和各类注意事项Q305纳米尺度磁化DRAM/先进封装磁电随机存取存储器(MERAM)作为DRAM替代磁电系数 α = dE/dH = (λ_s d33)/(ε0ε_r)。其中λ_s为磁致伸缩系数,d33为压电系数。写入电压 V_write = α * H_c * t_piezo,其中H_c为磁性自由层矫顽场,t_piezo为压电层厚度。写入能耗
【信息科学与工程学】【物理/化学和工程技术】【低空经济】第十篇 低空中的物理方程01
低空经济的材料力学推演遵循严格数学逻辑:需求定义 → 本构建模 → 方程求解 → 失效判据 → 优化迭代通过将工程问题转化为偏微分方程/张量方程求解,结合实验数据反馈,最终实现材料-结构-功能的一体化设计,为低空载具的安全、高效运行奠定基石。
【信息科学与工程学】【物理/化学科学和工程技术】知识体系53 结构学知识01——钢结构/玻璃结构/土木结构/芯片结构
∝ (ρ/ρ_s) (闭孔)。点阵拓扑(BCC、FCC、金刚石、Gyroid)、三周期极小曲面(TPMS)、设计软件(nTopology、Altair Inspire)、粉末清理技术、点阵结构压缩测试标准。摩尔定律、光刻技术、EDA软件、芯片架构(x86/ARM/RISC-V)、先进封装技术(Chiplet、3D IC)、半导体材料(Si、SiC、GaN):通过物理气相沉积(PVD,如溅射、蒸镀)、化学气相沉积(CVD)、原子层沉积(ALD)、溶液法(旋涂、刮涂、印刷)等在基片上制备。
【信息科学与工程学】【物理/化学科学和工程技术】知识体系04 热学 系列二04
严格交替安排“计算传热”与“声子热”条目,深入涵盖非傅里叶导热、量子热输运、热超材料、机器学习、多物理场耦合、声子-光子-磁子相互作用、热辐射调控、热电、相变蓄热、建筑能耗、焊接模拟、MEMS执行器、磁光热辐射等前沿与深化主题,确保两个领域的覆盖面均衡。编号类型热学领域子领域核心数学方程式/算法模型逐步推理思考的数学方程式及数字/数值参数列表时序数学方程式和时序周期变化和稳态/非稳态关联知识加工工具/机床/装备及厂商及加工工艺及各类时序流程和各类注意事项801计算传热非傅里叶热传导的数值模拟双曲热传导方程双
【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列三 电磁学设计02
三阶互调电压V_IM3=3/4×R_0×a_2×I_1^2×I_2,代入R_0=1mΩ,a_2=1e-4,I_1=I_2=0.0141A,V_IM3=0.75×0.001×1e-4×(0.0141)^3=0.75×1e-7×2.8e-6=2.1e-13V。运放构成跟随器,输出V_gs=V_ref。GaN芯片热容C_th=ρ×c_p×V,ρ=6150kg/m³,c_p=490J/(kg·K),V=2e-3×1e-3×0.1e-3=2e-10m³,C_th=6150×490×2e-10=6.03e-4J/K。
【信息科学与工程学】【物理/化学科学和工程技术】知识体系87——声学基础02 应用声学
编号类型领域问题问题的数学分析参数列表及常量/常数及参数的数值范围关联知识1技术应用应用声学如何利用超声波反射测量距离?设发射脉冲与接收回波的时间差为 Δt,声速为 c,则目标距离 d = c·Δt / 2。c ≈ 340 m/s (空气中,20°C);Δt 通常为 0.1 ms ~ 100 ms;d 对应范围约 0.017 m ~ 17 m。声波传播、反射定律、压电换能器、时延估计2现象分析应用声学为什么在音乐厅中某些位置听到的声音更清晰?声压级叠加:总声压级 Lp = 10 log₁₀(Σ 10^(Lp
【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列三 电磁学设计01
编号类型领域子领域问题问题的数学分析【含尺寸、时间、几何/拓扑/堆叠/材料】算法名称算法逐步推理思考的数学方程式及参数列表及参数的数字/数值和边界分布和边界条件/离散情况及连续性情况关联知识1解析解电磁学静电真空中两个点电荷之间的静电力点电荷间距 r=0.1m;时间无关;几何为两点间直线;材料为真空(相对介电常数 εr=1)库仑定律直接计算库仑定律:F=4πε01r2q1q2r^ 参数:q1=1×10−6C,q2=−2×10−6C,r=0.1m,ε0=8.854×10−12F/m。
【信息科学与工程学】【物理/化学和工程技术】第七十二篇 计算物理02
而不是无限-state prayer。
【信息科学与工程学】【物理/化学和工程技术】第七十九篇 物理化学 系列一 基础知识-1
Step2 一维情况:d²ψ/dx² = -(ze/ε) (n₀ e^{-zeψ/kT} - n₀ e^{zeψ/kT}) = (2zen₀/ε) sinh(zeψ/kT);Step3 Metropolis选择:提议新构型s',接受概率acc = min(1, π(s')/π(s)) = min(1, e^{-β(E(s')-E(s))});
【信息科学与工程学】【材料科学】【物理/化学和工程技术】 第四篇 材料中的电学/电磁学
数值方法连续介质非连续介质离散介质有限元(FEM)★★★ 电磁热耦合★★ 均匀化(MsFEM)☆ 极少用边界元(BEM)★★ 开放边界★★★ 散射问题☆ 极少用离散元(DEM)☆ 不适用☆ 不适用★★★ 颗粒系统无限元(IEM)★★★ 无限域☆ 不适用☆ 不适用多尺度有限元(MsFEM)★★ 多尺度★★★ 复合材料☆ 不适用FDTD★★★ 电磁波★★ 周期结构★★ 光子晶体BEM-FEM耦合★★★ 结构-场耦合★★ 含夹杂☆ 不适用XFEM。
【信息科学与工程学】【物理/化学和工程技术】第七十五篇 电气工程 系列三 电机学01
至此,总条目达到163 条磁路与电磁场数值方法(131–134)特殊运行状态(135–139)实验技术与标准设计细节(144–149)动态过程(150–154)至此,总条目达到213 条,全面覆盖《电机学》教材及其在电动汽车、工业机器人、家用电器、轨道交通、航空航天、船舶推进、新能源(飞轮储能、波浪发电) 等领域的应用,以及先进控制算法(MTPA、弱磁、MPC、EKF、三环PID) 和仿真技术(联合仿真、遗传算法优化、HIL)。每条均包含逐步推理的数学方程式和详细推导,可直接用于教学、科研和工程参考。
【信息科学与工程学】【材料科学】【物理/化学和工程技术】 第五篇 材料中的光学/光电子学01
{crystal} <br>4.光学神经元模型:<br> y = f\left( \sum_i w_i x_i + b \right) <br>5.矩阵:光学矩阵乘法(MZI网格):<br> \mathbf{Y} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^\dagger \mathbf{X} <br>6.多项式:非线性激活函数ReLU的光学实现:<br> f(x) = \max(0, x) \approx \frac{x}{2} + \frac{
【信息科学与工程学】【物理/化学科学和工程技术】第八篇 光学07
对于光源-探测器距离 ρ, 稳态漫反射率 R(ρ) ≈ (1/(4π)) [ z₀ (μ_eff + 1/r₁) exp(-μ_eff r₁)/r₁² + (z₀ + 2z_b) (μ_eff + 1/r₂) exp(-μ_eff r₂)/r₂² ], 其中 μ_eff = √(3μ_a(μ_a+μ_s’)), z₀=1/μ_s’, z_b 与边界条件有关。通过测量光纤各点的布里渊频移 ν_B(z) 来得到应变/温度分布:Δν_B(z) = C_ν,ε Δε(z) + C_ν,T ΔT(z)。
【信息科学与工程学】【物理/化学和工程技术】第六十八篇 密度/介质/刚度/强度/散射/投影矩阵01
编码一级领域二级大类三级子类/具体行为说明/举例核心干系人示例1法律领域刑事违法暴力侵害逻辑非法侵害他人生命、健康、自由,破坏公共安全。犯罪嫌疑人、被害人、公检法机关2法律领域刑事违法财产侵占逻辑以非法占有为目的,侵害公私财产所有权。犯罪嫌疑人、财产权利人、公检法机关3法律领域刑事违法破坏秩序逻辑挑战国家法律确立的社会、经济管理秩序。犯罪嫌疑人、国家/社会、监管部门4法律领域刑事违法职务滥用逻辑滥用职权或玩忽职守,损害国家或公民权益。职务犯罪人、所在单位、监察司法机关5法律领域刑事违法具体行为:故意杀人非
【信息科学与工程学】【制造工程】【物理/化学和工程技术】第三十九篇 芯片中的物理01
编号类型领域子领域材料问题(数学分析及数学物理/数学化学/材料科学/界面科学/表面科学 + 计算架构/信息架构/通信架构/堆叠架构/应用架构/几何/拓扑/代数/数论/函数评估/数值估计/概率/统计/向量/张量/矩阵/矢量 + 其他)数学分析逐步推理思考的数学表达式及实现步骤及时序流程关联知识1物理效应半导体物理量子隧穿Si / SiO₂ / HfO₂利用薛定谔方程进行量子隧穿概率的数学分析,结合WKB近似与传输矩阵法进行数值估计;考虑一维势垒的几何形状(矩形/梯形)及界面粗糙度引起的势垒波动;统计电子能量分
华为2288H-V5服务器做raid的详细步骤
华为2288H-V5服务器做RAID
AU混响终极指南:从‘干声’到‘空间感’,用总音轨和发送技巧打造专业人声
本文详细介绍了如何在Adobe Audition(AU)中使用混响效果器,通过总音轨和发送技巧将‘干声’转化为具有专业‘空间感’的人声。从混响基础原理到总线架构设置,再到精细控制和自动化调整,全面解析了提升音频质量的实用技巧,适用于音乐制作、播客和内容创作。
9、从统计到电路:未来物理不可克隆函数的基础
本文探讨了物理不可克隆函数(PUF)的关键技术,包括补偿环境影响、处理相关工艺变化、身份映射和测试方法。提出了一种基于新测试统计量Q的方法,有效提升了PUF的熵值和安全性。通过实验验证,新方法能够显著区分不同芯片,并增强PUF在不同环境下的适应性和可靠性,为未来PUF的设计与应用提供了重要基础。
UE5实现物体高亮描边效果(含UE相关源码浅析)
UE5实现物体高亮描边效果
数据科学助力大数据领域的航空安全分析
随着航空业的快速发展,航班数量不断增加,航空安全问题日益受到关注。大数据时代的到来,使得航空领域积累了大量的数据,包括飞行数据、维护数据、气象数据等。本文章的目的在于探讨如何运用数据科学的方法和技术,对这些大数据进行分析,以提高航空安全水平。范围涵盖了从数据收集、预处理到数据分析、模型构建和应用的整个流程。本文将按照以下结构进行组织:首先介绍数据科学和航空安全分析的核心概念以及它们之间的联系;接着阐述核心算法原理和具体操作步骤,并使用Python源代码进行详细说明;
Python实战:打造学生信息管理系统
通过本教程,我们构建了一个简单的学生信息管理系统,实现了基本的添加、删除、修改和查询功能。当然,这个系统还有很多可以改进和扩展的地方,比如添加用户界面、增加数据持久化功能、支持批量操作等。简介:本文将介绍如何使用Python编写一个功能齐全的学生信息管理系统,包括添加、删除、修改和查询学生信息的基本操作。学生信息管理系统是学校日常管理中不可或缺的一部分,它能够帮助管理人员快速、准确地管理学生信息,提高工作效率。为了实现上述功能,我们可以设计一个包含学生信息的字典,并使用函数来封装各个操作。
Python爬取小红书种草商品评论数据:从入门到实战全攻略(附反爬+情感分析方案)
Python爬取小红书种草商品评论数据,核心是“抓包找到正确的接口+处理登录验证+合理的反爬策略”。新手不用一开始就追求多笔记批量爬取和情感分析,先把单笔记的评论抓取和存储跑通,再逐步扩展功能。我做的这个系统现在每天帮朋友爬取3-5款美妆产品的评论,自动做情感分析和关键词提取,她再也不用手动翻评论了,效率提升了80%。如果你们在开发中遇到具体问题,比如接口找不到、Cookie过期、IP被封,都可以在评论区留言,我会一一解答。后续也可以出一期小红书笔记种草数据爬取的教程,帮助大家更全面地分析竞品数据。
YOLO11检测中的内存占用分析与优化:讲解如何分析并优化推理时的内存使用
YOLOv11模型内存分析与优化摘要:本文系统分析了YOLOv11目标检测模型的内存使用模式,重点探讨了显存(VRAM)、系统内存(RAM)和共享内存的特性差异。通过PyTorch内置工具和自定义分析器,详细剖析了骨干网络、颈部网络和检测头各组件内存占用规律,指出激活值内存与输入尺寸呈平方级增长关系。文章提供了卷积层内存计算公式,并强调合理规划"工作台"(显存)与"仓库"(内存)间的数据流动是优化关键。最后通过流程图直观展示了YOLOv11推理过程的三类内存使用模式,
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
IEM模型,地表粗糙度模拟
利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟
订阅专栏 解锁全文
1057



被折叠的 条评论
为什么被折叠?



