Simulink模型，基于扩展卡尔曼滤波EKF和无迹卡尔曼滤波UKF估计算法的SOC仿真，毕设。
另外有BBDST工况模块，也有R2016b及R2020两个版本的Simulink。
谨供BMS爱好者学习运用，请勿商用。
另外有BBDST工况模块，也有R2016b及R2020两个版本的Simulink。
谨供BMS爱好者学习运用，请勿商用。
2015/7/2 10:38:24
885KB
1
-我为什么做这个-很简单，网上很多关于分表的都是含糊其辞，没有任何详细的，通用的，既然没有，那么我写一个出来吧。
-主要目的-产品上线以后，数据量越来越大，当一个表有几十万上百万条记录的时候，是时候考虑分表了。
【超过几千万记录的话，这个分表估计不适合。
】-怎么做-分表情况，1：hash分表，按照目标表的id的hash值，写入对应hash值的表【注意：需要这个表有独一标示性ID】-分表情况，2：日期分表，按照目标表里面的记录日期的字段，按照日期【日、周、月、年】拆分成多个表【本代码仅考虑unix时间戳来分表，其它不支持，您可以自己思考，自己修改代码】-注意，支持【子表】，填入对应子表名、id、关联主表id，执行分表的时候，将对应把子表分表【目前支持2个子表，如果您想更多个子表，请自行修改代码】-为什么要分享-赚积分呗，老子十几年的CSDN会员了，想在CSDN上下载个东西，还要积分，罢了，赚些积分吧，
-主要目的-产品上线以后，数据量越来越大，当一个表有几十万上百万条记录的时候，是时候考虑分表了。
【超过几千万记录的话，这个分表估计不适合。
】-怎么做-分表情况，1：hash分表，按照目标表的id的hash值，写入对应hash值的表【注意：需要这个表有独一标示性ID】-分表情况，2：日期分表，按照目标表里面的记录日期的字段，按照日期【日、周、月、年】拆分成多个表【本代码仅考虑unix时间戳来分表，其它不支持，您可以自己思考，自己修改代码】-注意，支持【子表】，填入对应子表名、id、关联主表id，执行分表的时候，将对应把子表分表【目前支持2个子表，如果您想更多个子表，请自行修改代码】-为什么要分享-赚积分呗，老子十几年的CSDN会员了，想在CSDN上下载个东西，还要积分，罢了，赚些积分吧，
2019/9/21 17:49:17
40B
1
将mysql数据库转换为Sqlite数据库。
包括两个项目：A)一个php脚本B)一个基于python脚本的Windows可执行文件转换数据、索引和外键约束。
关于php脚本：-不需要很多内存-良好的速度估计在VDS/VPS上使用。
用法：wgethttps://sourceforge.net/projects/mysql2sqlite/files/mysql2sqlite/downloadchmod+xmysql2sqlite./mysql2sqlite关于Windows可执行文件和Python脚本：用法：编辑i文件以适合您的系统，只需运行exe或python脚本。
包括两个项目：A)一个php脚本B)一个基于python脚本的Windows可执行文件转换数据、索引和外键约束。
关于php脚本：-不需要很多内存-良好的速度估计在VDS/VPS上使用。
用法：wgethttps://sourceforge.net/projects/mysql2sqlite/files/mysql2sqlite/downloadchmod+xmysql2sqlite./mysql2sqlite关于Windows可执行文件和Python脚本：用法：编辑i文件以适合您的系统，只需运行exe或python脚本。
2019/2/9 5:32:29
3.06MB
1
-利用灰狼优化算法寻找未知节点到锚节点的实际距离和估计距离之间的最小误差，完成对未知节点坐标的估计-进行了原始Dv-hop定位算法和基于GWO的Dv-hop定位算法的对比-正文很详细
2017/10/12 1:58:38
4KB
1
我估计现在网上很难找到三层开发的好东西！！现在有一个简单，对于刚起步学习三层开放的人有很大的协助！由于这个半成品所以只做一部分，我觉得对于想三层开放的新手应该够用了把！其实我的水平也是很低。
希望大家发现我里面出现什么错误，或者有更好更高效的处理请提出。
希望大家发现我里面出现什么错误，或者有更好更高效的处理请提出。
2020/8/3 13:01:07
3.11MB
1
朴素贝叶斯估计朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。
首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
具体的，根据训练数据集，学习先验概率的极大似然估计分布以及条件概率为Xl表示第l个特征，由于特征条件独立的假设，可得条件概率的极大似然估计为根据贝叶斯定理则由上式可以得到条件概率P(Y=ck|X=x)。
贝叶斯估计用极大似然估计可能会出现所估计的概率为0的情况。
后影响到后验概率结果的计算，使分类产生偏差。
采用如下方法处理。
条件概率的贝叶斯改为
首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
具体的，根据训练数据集，学习先验概率的极大似然估计分布以及条件概率为Xl表示第l个特征，由于特征条件独立的假设，可得条件概率的极大似然估计为根据贝叶斯定理则由上式可以得到条件概率P(Y=ck|X=x)。
贝叶斯估计用极大似然估计可能会出现所估计的概率为0的情况。
后影响到后验概率结果的计算，使分类产生偏差。
采用如下方法处理。
条件概率的贝叶斯改为
2016/5/23 2:49:33
92KB
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