最新matpower4.1，包含IEEE标准电力零碎参数，潮流计算、最优潮流计算程序

基于SSM生产计划排程管理系统,该项目为工件加工排序计算最优解的项目,包含数据库MySQL文件,运行项目,下来之后更改数据库密码,配置tomcat服务器即可运行,详细信息查看我发布的博客有截图展现,欢迎下载!!!!!

在传统化石能源将要耗尽的今天，新能源作为一种新兴的能源利用方式受到了全世界各国的广泛关注，相对于传统能源而言，新能源发电的方式不会对环境产生污染，这也为世界瞩目的环境问题贡献了一份力量。
太阳能发电作为最具潜力的未来能源之一，发展前景十分广阔，是未来新能源发电不可缺少的中坚力量。
为此，需要加大太阳能发电相关研究的投入力度。
文章以大功率三相光伏发电并网系统的主要研究对象，以光伏并网逆变器稳定、高效、低谐波运行为目标，将三相光伏发电并网系统分为三个环节，即光伏阵列输入环节、中间逆变环节以及逆变器输出滤波环节，各部分对应的主要研究内容涉及MPPT算法、并网控制策略与滤波器结构的设计三部分，分析每个环节的发展现状与所用关键技术的优缺点，为接下来的研究指明方向。
1.针对于MPPT算法，在建立光伏序列数学与仿真模型的基础上，分析了常用追踪算法不足以追踪多极点情况下光伏最大输出功率点的问题，并在该问题的基础上引入了适用于多极点寻优的粒子群优化算法，该方法能在光伏阵列输出特性出现多极点的情况下准确的追踪到最大功率点。
2.在研究常用PI并网控制策略的基础上，引入了设计与控制更为简单的PR控制策略，并在PR控制的基础上介绍了准PR控制的理念与参数设计方法，提升了三相光伏系统的稳定性以及抗电网电压干扰的能力。
3.在对光伏三相逆变系统常用的LC与LCL滤波器滤波功能研究的基础上，引入了滤波效果更强的谐振型滤波器，即LLCL滤波器，提升了滤波器的滤波功能，有效的降低了逆变系统输出进网电流的总谐波含量。
为了验证提出的方法与结构设计的有效性和优越性，文章的最后根据建立的整个三相光伏发电并网系统的MATLAB仿真模型，对前文所叙述的内容进行了仿真实验验证，实验结果证明了所提方法的有效性与优越性。
关键词：光伏阵列；
MPPT算法；
双闭环控制；
PR控制；
谐振型滤波器；
MATLAB

基于MATLAB的PID参数自整定控制器，设置控制器类型、算法等即可自动寻觅最优PID参数。

腾讯优图中的人脸融合，就是把本人的照片和军装照等各种模板照片融合，我在这个项目上补上了代码实现，测试可用，下载可以直接运行

基于遗传算法的机器人关节空间最优活动规划

分数阶系统的最优Oustaloup数字实现算法，控制系统中常常需要利用滤波器来实现近似数字实现分数阶微积分，通过这个算法寻觅滤波器最优参数

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上出版的，部分章节涉及了常见的优化算法（遗传算法、粒子群算法等）与神经网络的结合问题。
《MATLAB神经网络43个案例分析》可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。
《MATLAB神经网络43个案例分析》共有43章目录如下：第1章BP神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归--非线性函数回归的实现第8章GRNN网络的预测----基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类预测——意大利葡萄酒种类识别第15章SVM的参数优化——如何更好的提升分类器的功能第16章基于SVM的回归预测分析——上证指数开盘指数预测.第17章基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第18章基于SVM的图像分割-真彩色图像分割第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用第21章自组织竞争网络在模式分类中的应用—患者癌症发病预测第22章SOM神经网络的数据分类--柴油机故障诊断第23章Elman神经网络的数据预测----电力负荷预测模型研究第24章概率神经网络的分类预测--基于PNN的变压器故障诊断第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选第26章LVQ神经网络的分类——乳腺肿瘤诊断第27章LVQ神经网络的预测——人脸朝向识别第28章决策树分类器的应用研究——乳腺癌诊断第29章极限学习机在回归拟合及分类问题中的应用研究——对比实验第30章基于随机森林思想的组合分类器设计——乳腺癌诊断第31章思维进化算法优化BP神经网络——非线性函数拟合第32章小波神经网络的时间序列预测——短时交通流量预测第33章模糊神经网络的预测算法——嘉陵江水质评价第34章广义神经网络的聚类算法——网络入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化计算——建模自变量降维第37章基于灰色神经网络的预测算法研究——订单需求预测第38章基于Kohonen网络的聚类算法——网络入侵聚类第39章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现第41章定制神经网络的实现——神经网络的个性化建模与仿真第42章并行运算与神经网络——基于CPU/GPU的并行神经网络运算第43章神经网络高效编程技巧——基于MATLABR2012b新版本特性的探讨

优利德示波器UTD2000使用教程希望可以协助到您！

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

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。