基于二次型功能指标学习算法的单神经元自适应PID控制MATLAB仿真代码，MATLAB2014a下可运行，控制对象传递函数可以自行修改。
2017/11/3 19:39:48
2KB
1
基于bp神经网络的矿石加工质量控制问题摘要 本文主要研究温度等因素对矿石加工质量控制问题。
提高矿石加工质量，对节约不可再生资源和能源，推动节能减排，助力“双碳”’目标的实现，具有重要的意义。
针对问题一，我们要实现在给定系统温度和原矿参数的情况下，预测可能性最大的产品的指标。
由于在刚开始调温时，系统还未稳定，所以指标参数会有大幅度变化。
因而我们要首先对附件一中的数据进行预处理，去除其中的不正常数据。
同时，将系统一和系统二的温度，四个原矿参数作为输入，四个产品指标作为输出，利用bp神经网络训练它，用训练好的神经网络，来预测题目已知温度和原矿参数条件下的产品指标。
最终得到结果为：80.9556、22.1783、10.6264、21.6435和78.3544、26.4780、13.5826、28.2638。
针对问题二，问题二与问题一的问法正好相反，要我们通过其他数据来预测系统一和系统二温度。
也可以使用bp神经网络来求解。
不同的是，问题二的模型应改为八输入二输出。
最终得到的结果为：1757.2，389和1854.5,405.6。
针对问题三，同样可以采用BP神经网络预测模型来预测产
提高矿石加工质量，对节约不可再生资源和能源，推动节能减排，助力“双碳”’目标的实现，具有重要的意义。
针对问题一，我们要实现在给定系统温度和原矿参数的情况下，预测可能性最大的产品的指标。
由于在刚开始调温时，系统还未稳定，所以指标参数会有大幅度变化。
因而我们要首先对附件一中的数据进行预处理，去除其中的不正常数据。
同时，将系统一和系统二的温度，四个原矿参数作为输入，四个产品指标作为输出，利用bp神经网络训练它，用训练好的神经网络，来预测题目已知温度和原矿参数条件下的产品指标。
最终得到结果为：80.9556、22.1783、10.6264、21.6435和78.3544、26.4780、13.5826、28.2638。
针对问题二，问题二与问题一的问法正好相反，要我们通过其他数据来预测系统一和系统二温度。
也可以使用bp神经网络来求解。
不同的是，问题二的模型应改为八输入二输出。
最终得到的结果为：1757.2，389和1854.5,405.6。
针对问题三，同样可以采用BP神经网络预测模型来预测产
2020/6/17 18:04:34
2.6MB
1
-算法目的：节点中包括少数锚节点，剩余节点为未知节点，通过定位算法来确定它们的位置-借助平均定位误差作为评价指标-正文超级详细，并附带算法相关文档
2017/5/22 6:41:47
3KB
1
温度检测报警电路multisim13仿真源文件+设计说明文档资料，可以做为你的学习设计参考。
基本部分（1）设计温度检测报警电路，要求能检测环境温度进行显示，若超出指定上下限温度值进行报警提示。
（2）采用Multisim软件对电路和技术指标进行仿真测试，给出仿真电路图。
（3）对器件进行选型，设计电路板，制造温度检测报警电路实物，测试技术指标。
基本部分（1）设计温度检测报警电路，要求能检测环境温度进行显示，若超出指定上下限温度值进行报警提示。
（2）采用Multisim软件对电路和技术指标进行仿真测试，给出仿真电路图。
（3）对器件进行选型，设计电路板，制造温度检测报警电路实物，测试技术指标。
2015/4/22 19:19:29
6.57MB
1
本文档详细引见MPO/MTP分支光纤跳线规格参数，为光纤工程师、项目经理、网络工程师提供技术指标参考。
2020/2/11 4:07:58
1.82MB
1
数据挖掘、数据统计、数据库应用甚至练习表格操作均可，CSV格式绿色环保，可转文本可转表格，易于操作，4.2w条数据，来源于生活，更便于统计，更容易发现数据规律（我自己只找过两三个指标）。
数据字段：顾客编号大类编码大类名称 中类编码 中类名称 小类编码 小类名称 销售日期 销售月份 商品编码 规格型号 商品类型 单位 销售数量 销售金额 商品单价 能否促销。
数据样例：0 12 蔬果 1201 蔬菜 120109 其它蔬菜 20150101 201501 DW-1201090311 生鲜 个 8 4 2 否实际数据四万余条，是整齐的，好看好用，Excel打开也能直接用。
数据字段：顾客编号大类编码大类名称 中类编码 中类名称 小类编码 小类名称 销售日期 销售月份 商品编码 规格型号 商品类型 单位 销售数量 销售金额 商品单价 能否促销。
数据样例：0 12 蔬果 1201 蔬菜 120109 其它蔬菜 20150101 201501 DW-1201090311 生鲜 个 8 4 2 否实际数据四万余条，是整齐的，好看好用，Excel打开也能直接用。
2018/5/20 16:06:46
4.15MB
1
基于Flink+Doris构建高功能高扩展的全端实时数据仓库教程，2021年5月新课，课程基于Flink1.11.3，DorisDB0.13.9版本。
本课程基于真实热门的互联网电商业务场景为案例讲解，结合分层理论和实战对数仓设计进行详尽的讲解，基于Flink+DorisDB实现真正的实时数仓,数据来及分析,实时报表应用。
课程具体数仓报表应用指标包括：实时大屏分析、流量分析、订单分析、商品分析、商家分析等，数据涵盖全端（PC、移动、小程序）应用，与互联网企业大数据技术同步，让大家能够学到大数据企业级实时数据仓库的实战经验。
本课程基于真实热门的互联网电商业务场景为案例讲解，结合分层理论和实战对数仓设计进行详尽的讲解，基于Flink+DorisDB实现真正的实时数仓,数据来及分析,实时报表应用。
课程具体数仓报表应用指标包括：实时大屏分析、流量分析、订单分析、商品分析、商家分析等，数据涵盖全端（PC、移动、小程序）应用，与互联网企业大数据技术同步，让大家能够学到大数据企业级实时数据仓库的实战经验。
2020/11/25 3:26:43
619B
1
语音去混响不断都是会议场景、临境通信中的重要问题。
混响的存在使得语音质量、语音的可懂度大大降低，因此需要特定的算法去对存在混响的室内语音信号进行处理。
《SpeechDereverberation》本书描述了语音去混响的各种处理方法第一章：本书内容综述第二章：混响模型、评价指标第三章：基于统计模型语音去混响算法第四章：基于LPC模型语音去混响算法第五章：基于多麦克风特征值分解语音去混响算法第六章：自适应盲多通道系统辨识第七章：多通道声学系统的子代逆矩阵第八章：移动目标语音的贝叶斯单通道盲去混响第九章：不使用房间声学信息的语音去混响逆滤波第十章：用于语音和音频信号去混响的TRINICON本书适用于学生、研究者或产品开发的工作人员本书版权为作者所有。
混响的存在使得语音质量、语音的可懂度大大降低，因此需要特定的算法去对存在混响的室内语音信号进行处理。
《SpeechDereverberation》本书描述了语音去混响的各种处理方法第一章：本书内容综述第二章：混响模型、评价指标第三章：基于统计模型语音去混响算法第四章：基于LPC模型语音去混响算法第五章：基于多麦克风特征值分解语音去混响算法第六章：自适应盲多通道系统辨识第七章：多通道声学系统的子代逆矩阵第八章：移动目标语音的贝叶斯单通道盲去混响第九章：不使用房间声学信息的语音去混响逆滤波第十章：用于语音和音频信号去混响的TRINICON本书适用于学生、研究者或产品开发的工作人员本书版权为作者所有。
2019/6/14 12:34:17
11.06MB
1
本文针对火灾报警系统问题，建立熵权-topsis逻辑回归等数学模型，旨在通过所建模型来选取可靠的探测器、提高报警准确率及改进各辖区综合管理水平，从而减少我国火灾事故。
针对问题一，首先根据地址、机号和回路，确定真实火灾数为418起。
接着根据题目要求，基于可靠性和故障率两个指标建立综合评价模型。
由于可靠性为效益型指标，而故障率为成本型指标，故将故障率通过数学公式转换为效益型指标，即完善率。
指标确定后，运用熵权法确定各指标权重，最后利用topsis法构建各类型部件评价模型，对16种部件进行综合评价，帮助政府选择最可靠的5种火灾探测器类型，分别为光束感烟、手动报警按钮、智能光电探头、点型感温探测器、线性光束感烟。
针对问题二，建立基于logistic回归的区域报警部件类型智能研判模型。
本文选择故障次数、消防大队及探测器类型3个变量作为自变量，误报与否作为因变量，将消防大队和探测器类型两个无序分类变量变为虚拟变量，利用logistic回归模型预测辖区内某类型部件发出报警信息正确的概率，经检验模型的真实性为。
经检验结果有所偏差，故进行模型优化用woe值代替原值计算，使得结果愈加真实可靠。
针对问题一，首先根据地址、机号和回路，确定真实火灾数为418起。
接着根据题目要求，基于可靠性和故障率两个指标建立综合评价模型。
由于可靠性为效益型指标，而故障率为成本型指标，故将故障率通过数学公式转换为效益型指标，即完善率。
指标确定后，运用熵权法确定各指标权重，最后利用topsis法构建各类型部件评价模型，对16种部件进行综合评价，帮助政府选择最可靠的5种火灾探测器类型，分别为光束感烟、手动报警按钮、智能光电探头、点型感温探测器、线性光束感烟。
针对问题二，建立基于logistic回归的区域报警部件类型智能研判模型。
本文选择故障次数、消防大队及探测器类型3个变量作为自变量，误报与否作为因变量，将消防大队和探测器类型两个无序分类变量变为虚拟变量，利用logistic回归模型预测辖区内某类型部件发出报警信息正确的概率，经检验模型的真实性为。
经检验结果有所偏差，故进行模型优化用woe值代替原值计算，使得结果愈加真实可靠。
2021/11/25 4:12:28
291KB
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