基于非均匀B样条基函数递推式的程序实现，用户可以自己在屏幕上左键选择控制点，从而画出B样条函数，并且可以右键选中控制点并进行拖动，实时看到曲线变化。
均匀B样条也可以画出，亲测有效。
均匀B样条也可以画出，亲测有效。
2024/6/21 11:28:50
11.21MB
1
基于高斯径向基函数的神经网络的PID控制，分为系统模块，神经网络模块，高斯径向基函数神经网络的S函数实现。
2024/6/2 5:17:53
9KB
1
通过积分方程方法解决电磁（EM）问题取决于对与格林函数有关的奇异积分的准确评估。
在使用具有Rao-Wilton-Glisson（RWG）基函数的矩量法（MoM）来求解表面积分方程（SIE）时，标量Green函数上的梯度算子可以移到基本函数和测试函数上，从而得到积分核中的1/R弱奇异点，其中R是观察点和源点之间的距离。
弱奇异积分可以使用众所周知的Duffy方法求值，但它需要进行两次数值积分。
在这项工作中，我们开发了一种通过使用局部极坐标系来评估奇异积分的新颖方法。
通过推导极坐标上积分的闭合形式表达式，该方法可以自动消除奇异性并将积分减小为一倍数值积分。
数值算例表明了该方法的有效性。
在使用具有Rao-Wilton-Glisson（RWG）基函数的矩量法（MoM）来求解表面积分方程（SIE）时，标量Green函数上的梯度算子可以移到基本函数和测试函数上，从而得到积分核中的1/R弱奇异点，其中R是观察点和源点之间的距离。
弱奇异积分可以使用众所周知的Duffy方法求值，但它需要进行两次数值积分。
在这项工作中，我们开发了一种通过使用局部极坐标系来评估奇异积分的新颖方法。
通过推导极坐标上积分的闭合形式表达式，该方法可以自动消除奇异性并将积分减小为一倍数值积分。
数值算例表明了该方法的有效性。
2024/6/1 14:46:15
782KB
1
本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
2024/5/15 2:02:19
536KB
1
InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（多元回归法）RadialBasisFunction（径向基函数法）TriangulationwithLinearInterpolation（线性插值三角网法）MovingAverage（移动平均法）LocalPolynomial（局部多项式法）"＞InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（?[更多]
2024/3/3 17:18:33
30KB
1
为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（RadicalBasisFunction，RBF）和神经网络光伏发电功率预测模型。
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
2024/2/20 1:51:04
838KB
1
给定(n+1)×(m+1)个空间点阵r_ij(i=0,1,…,nj;j=0,1,…,m),双三次B样条曲面可分块表示为 r_l,k(u,v)=∑3i=0∑3j=0Ei,3(u)Ej,3(v)r(i+l)(j+k), 0≤u,v≤1,l=0,1,…,n-3,k=0,1,…,m-3(211)其中 基函数为 E0,3(t)=(-t3+3t2-2t+1)/3!, E1,3(t)=(3t3-6t2+4)/3!, E2,3(t)=(-3t3+2t2+3t+1)/3!, E3,3(t)=t3/3!变量t可用u或v代替,这里r_ij称为deBoor点。
2024/2/7 21:54:38
3.39MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB