多约束的广义预测控制GPC，matlab程序，使用fmincon函数来求解约束下的性能指标，可以通过修改fmincon中的参数来实现不同的约束。
2025/1/26 9:25:48
1KB
1
M/M/N排队系统（多服务员排队系统）的仿真（难度系数：）多服务员排队系统在仿真上较单服务员排队系统要复杂的多，在此先对该排队系统作一些必要的假设：（1）顾客源是无穷的；
（2）排队长度没有限制；
（3）到达系统的顾客按先到先服务原则依次进入服务；
（4）服务员在仿真过程中没有休假；
（5）顾客到达时排成一队，当有服务台空闲时进入服务状态；
按照顾客到达的时间概率分布为泊松分布，顾客服务时间的长短服从负指数分布，试完成M/M/1排队系统的仿真。
系统输入为：泊松分布和负指数分布中的参数，服务台个数，系统输出是：平均等待时间、平均队长、服务利用率。
要求有输入、输出界面、顾客到达和离开的仿真过程表示。
这个资源可以直接运行
（2）排队长度没有限制；
（3）到达系统的顾客按先到先服务原则依次进入服务；
（4）服务员在仿真过程中没有休假；
（5）顾客到达时排成一队，当有服务台空闲时进入服务状态；
按照顾客到达的时间概率分布为泊松分布，顾客服务时间的长短服从负指数分布，试完成M/M/1排队系统的仿真。
系统输入为：泊松分布和负指数分布中的参数，服务台个数，系统输出是：平均等待时间、平均队长、服务利用率。
要求有输入、输出界面、顾客到达和离开的仿真过程表示。
这个资源可以直接运行
2025/1/25 21:21:21
34KB
1
风电场风速概率分布体现了风能资源统计特性的重要标。
在认为风速服从两参数Weibull分布前提下，提出了应用极大似然法根据实测的风速数据求解风速概率分布参数，由此估算出能直接体现风能资源状况的风能特征指标值。
通过比较由风速概率分布推算出风能特征指标的估计值与由历史风速数据序列获得的实测值，说明极大似然法计算精度高，Weibull分布作为风电场风速统计模型能准确地拟合风能的实际情况，具有实用价值，为风电场规划设计提供重要参考。
在认为风速服从两参数Weibull分布前提下，提出了应用极大似然法根据实测的风速数据求解风速概率分布参数，由此估算出能直接体现风能资源状况的风能特征指标值。
通过比较由风速概率分布推算出风能特征指标的估计值与由历史风速数据序列获得的实测值，说明极大似然法计算精度高，Weibull分布作为风电场风速统计模型能准确地拟合风能的实际情况，具有实用价值，为风电场规划设计提供重要参考。
2025/1/25 11:22:54
230KB
1
根据网络上的相关文档结合自己的实际操作整理的AWVS11的API接口文档，官方的API接口文档是商务付费的，所以只能自己整理。
我所使用的接口测试工具为curl，curl的具体安装和相关参数请度娘。
核心参考文档请看附件。
如果遇到了报文编码问题，请更换其他可以指定报文字符集的工具或用代码自己实现
我所使用的接口测试工具为curl，curl的具体安装和相关参数请度娘。
核心参考文档请看附件。
如果遇到了报文编码问题，请更换其他可以指定报文字符集的工具或用代码自己实现
2025/1/25 9:29:02
20KB
1
说明：一个作业，两个转换，第一个使用【查询分析】的组件接收sql查询结果的字段数据，第二个转换根据上一个转换的结果为条件执行循环的业务步骤。
提示：请留意第二个转换的属性设置，需要添加命名参数以及勾选复制上一步结果和执行每一行两个选项！附件是打包示例文件，执行时请配置一下测试数据库。
2018/10/17
提示：请留意第二个转换的属性设置，需要添加命名参数以及勾选复制上一步结果和执行每一行两个选项！附件是打包示例文件，执行时请配置一下测试数据库。
2018/10/17
2025/1/25 7:10:10
7KB
1
本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2025/1/24 21:36:25
278KB
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