本书首先介绍Android组件化开发的基础知识，剖析组件化的开发步骤和常见问题，探究组件化编译原理和编译优化措施。
其次在项目架构上，介绍如何组织团队来使用组件化开发，并将业务和人力进行解耦。
*后深入介绍组件化分发技术及运用，探讨组件化架构的演进及架构的思维。

可再生新能源利用的关键技术是将其转化为可并入电网的电能必须满足电网的电压和频率的要求。
介绍了采用下垂控制对直流微电源并网控制的分析研究，经电压控制器电流控制器对并网逆变器进行双环控制，使得到电压和频率满足并网的要求，还对系统负荷突变、电压跌落、三相短路等3种情况进行了仿真分析，仿真结果表明在这3种故障情况下，含直流微电源的并网系统仍能稳定运行，并能跟踪系统的动态输出。
关键词:直流微电源;并网逆变器;下垂控制;双环控制;解耦

本框架提供了有关粒子群算法(PSO)和遗传算法(GA)的完整实现，以及一套关于改进、应用、测试、结果输出的完整框架。
本框架对粒子群算法与遗传算法进行逻辑解耦，对其中的改进点予以封装，进行模块化，使用者可以采取自己对该模块的改进替换默认实现组成新的改进算法与已有算法进行对比试验。
试验结果基于Excel文件输出，并可通过设定不同的迭代结束方式选择试验数据的输出方式，包括：1.输出随迭代次数变化的平均达优率数据（设定终止条件区间大于0）。
2.输出随迭代次数变化的平均最优值数据（设定终止条件区间等于0）。
本框架了包含了常用基准函数的实现以及遗传算法与粒子群算法对其的求解方案实现和对比，如TSP，01背包，Banana函数，Griewank函数等。
并提供大量工具方法，如KMeans，随机序列生成与无效序列修补方法等等。
对遗传算法的二进制编码，整数编码，实数编码，整数序列编码（用于求解TSP等），粒子群算法的各种拓扑结构，以及两种算法的参数各种更新方式均有实现，并提供接口供使用者实现新的改进方式并整合入框架进行试验。
其中还包括对PSO进行离散化的支持接口，和自己的设计一种离散PSO方法及其用以求解01背包问题的实现样例。
欢迎参考并提出宝贵意见，特别欢迎愿意协同更新修补代码的朋友(邮箱starffly@foxmail.com)。
代码已作为lakeast项目托管在GoogleCode:http://code.google.com/p/lakeasthttp://code.google.com/p/lakeast/downloads/list某些类的功能说明：org.lakest.common中：BoundaryType定义了一个枚举，表示变量超出约束范围时为恢复到约束范围所采用的处理方式，分别是NONE(不处理)，WRAP（加减若干整数个区间长度），BOUNCE（超出部分向区间内部折叠），STICK（取超出方向的最大限定值）。
Constraint定义了一个代表变量约束范围的类。
Functions定义了一系列基准函数的具体实现以供其他类统一调用。
InitializeException定义了一个代表程序初始化出现错误的异常类。
Randoms类的各个静态方法用以产生各种类型的随机数以及随机序列的快速产生。
Range类的实现了用以判断变量是否超出约束范围以及将超出约束范围的变量根据一定原则修补到约束范围的方法。
ToStringBuffer是一个将数组转换为其字符串表示的类。
org.lakeast.ga.skeleton中：AbstractChromosome定义了染色体的公共方法。
AbstractDomain是定义问题域有关的计算与参数的抽象类。
AbstractFactorGenerator定义产生交叉概率和变异概率的共同方法。
BinaryChromosome是采用二进制编码的染色体的具体实现类。
ConstantFactorGenerator是一个把交叉概率和变异概率定义为常量的参数产生器。
ConstraintSet用于在计算过程中保存和获取应用问题的各个维度的约束。
Domain是遗传算法求解中所有问题域必须实现的接口。
EncodingType是一个表明染色体编码类型的枚举，包括BINARY(二进制)，REAL(实数)，INTEGER(整型)。
Factor是交叉概率和变异概率的封装。
IFactorGenerator参数产生器的公共接口。
Population定义了染色体种群的行为，包括种群的迭代，轮盘赌选择和交叉以及最优个体的保存。
org.lakeast.ga.chromosome中：BinaryChromosome二进制编码染色体实现。
IntegerChromosome整数编码染色体实现。
RealChromosome实数编码染色体实现。
SequenceIntegerChromosome整数序列染色体实现。
org.lakeast.pso.skeleton中：AbstractDomain提供一个接口，将粒子的位置向量解释到离散空间，同时不干扰粒子的更新方式。
AbstractF

导语：MVP开发模式可以帮助项目结构解耦，但其庞大的方法数增加，较为笨重设计对于手Q项目并不很适合。
参考之前Web开发经验，提出以页面结构化的解耦方式组织代码。
下面讲讲Lego在Android上一次小小尝试MVC太过常见这里不啰嗦。
实际应用MVC当中，Activity占据打部分的工作，View和Controller的身份分不清。
而MVP则是一种设计模式专门优化Activity/Fragment。
先来看看MVP模式的核心思想：View不直接与Model交互MVP把Activity中的UI逻辑抽象成View接口，把业务逻辑抽象成Presenter接口，Model类还是原来的Model在MVP设计模

《ANSYS_LS_DYNA模拟鸟撞飞机风挡的动态响应》鸟撞问题在飞机设计中至关重要，尤其是在飞机起飞和降落时，高速运动的飞机与鸟类相撞可能导致严重损伤，甚至造成机毁人亡的灾难。
特别是飞机的前风挡部分，由于迎风面积大，成为鸟撞概率较高的区域，而风挡玻璃的强度相对较低，因此对风挡受鸟撞冲击的模拟分析显得尤为必要，以提升飞行安全性。
早期的抗鸟撞设计主要依赖实验方法，但随着计算机技术和有限元数值计算理论的发展，现在越来越多地采用数值计算来分析鸟撞问题。
目前的有限元模型主要分为解耦解法和耦合解法。
解耦解法将鸟撞冲击力作为已知条件，单独求解风挡的动态响应，但鸟撞载荷模型的不确定性会影响求解精度。
耦合解法则考虑碰撞接触，通过协调鸟体与风挡接触部位的条件，联合求解，能更直观地模拟整个鸟撞过程。
本文采用ANSYS_LS_DYNA软件，建立鸟撞风挡的三维模型，研究鸟撞风挡的动态响应特征。
在建立有限元模型时，使用ANSYS软件，简化了计算过程，忽略了对风挡动态响应影响不大的结构因素，如机身、后弧框和铆钉等，将其替换为边界固定。
风挡结构为圆弧形，材料为特定型号的国产航空玻璃，鸟撞击点设在风挡中部，撞击角度为29°。
选用LS-DYNA材料库中的塑性动力学材料模型，破坏准则设定为最大塑性应变失效模式，当材料塑性应变达到5%时材料破坏。
鸟体的模拟是鸟撞分析的一大挑战，由于真实鸟体的本构特性难以准确描述，通常采取弹性体、弹塑性体或理想流体等简化模型。
本文中，鸟体被简化为质量1.8kg、直径14cm的圆柱体，材料选用弹性流体模型。
计算结果显示，当鸟撞速度达到540km/h（相对于风挡的绝对速度）时，风挡的后弧框处有效塑性应变达到5%，风挡破坏。
据此，计算得出风挡的安全临界速度为150m/s。
在这一速度下，风挡后弧框处首先发生破坏，成为结构弱点。
撞击时的最大应力主要集中在后弧框及其下方，而非撞击点。
此外，鸟撞还会导致风挡结构产生位移。
风挡下方通常布置有精密仪器，因此必须考虑鸟撞引起的位移情况。
鸟体撞击后在风挡上滑行，挤压风挡表面，产生较大位移。
计算表明，在150m/s的撞击速度下，最大位移可达38mm，位于撞击点和后弧框之间。
风挡表面位移随着时间呈现出先向下位移，然后因弯曲波反弹而振荡的行为。
总结来说，鸟撞风挡的最危险区域位于后弧框及其下方。
不同结构的风挡有不同的鸟撞安全临界速度、最大位移和撞击时间。
对于本文的风挡模型，临界速度为450km/h，最大位移为38mm，撞击时间约为7ms。
这些分析结果对于飞机设计改进和飞行安全性的提升具有重要指导意义。

PID电机控制目录第1章数字PID控制1.1PID控制原理1.2连续系统的模拟PID仿真1.3数字PID控制1.3.1位置式PID控制算法1.3.2连续系统的数字PID控制仿真1.3.3离散系统的数字PID控制仿真1.3.4增量式PID控制算法及仿真1.3.5积分分离PID控制算法及仿真1.3.6抗积分饱和PID控制算法及仿真1.3.7梯形积分PID控制算法1.3.8变速积分PID算法及仿真1.3.9带滤波器的PID控制仿真1.3.10不完全微分PID控制算法及仿真1.3.11微分先行PID控制算法及仿真1.3.12带死区的PID控制算法及仿真1.3.13基于前馈补偿的PID控制算法及仿真1.3.14步进式PID控制算法及仿真第2章常用的PID控制系统2.1单回路PID控制系统2.2串级PID控制2.2.1串级PID控制原理2.2.2仿真程序及分析2.3纯滞后系统的大林控制算法2.3.1大林控制算法原理2.3.2仿真程序及分析2.4纯滞后系统的Smith控制算法2.4.1连续Smith预估控制2.4.2仿真程序及分析2.4.3数字Smith预估控制2.4.4仿真程序及分析第3章专家PID控制和模糊PID控制3.1专家PID控制3.1.1专家PID控制原理3.1.2仿真程序及分析3.2模糊自适应整定PID控制3.2.1模糊自适应整定PID控制原理3.2.2仿真程序及分析3.3模糊免疫PID控制算法3.3.1模糊免疫PID控制算法原理3.3.2仿真程序及分析第4章神经PID控制4.1基于单神经元网络的PID智能控制4.1.1几种典型的学习规则4.1.2单神经元自适应PID控制4.1.3改进的单神经元自适应PID控制4.1.4仿真程序及分析4.1.5基于二次型性能指标学习算法的单神经元自适应PID控制4.1.6仿真程序及分析4.2基于BP神经网络整定的PID控制4.2.1基于BP神经网络的PID整定原理4.2.2仿真程序及分析4.3基于RBF神经网络整定的PID控制4.3.1RBF神经网络模型4.3.2RBF网络PID整定原理4.3.3仿真程序及分析4.4基于RBF神经网络辨识的单神经元PID模型参考自适应控制4.4.1神经网络模型参考自适应控制原理4.4.2仿真程序及分析4.5基于CMAC（神经网络）与PID的并行控制4.5.1CMAC概述4.5.2CMAC与PID复合控制算法4.5.3仿真程序及分析4.6CMAC与PID并行控制的Simulink仿真4.6.1Simulink仿真方法4.6.2仿真程序及分析第5章基于遗传算法整定的PID控制5.1遗传算法的基本原理5.2遗传算法的优化设计5.2.1遗传算法的构成要素5.2.2遗传算法的应用步骤5.3遗传算法求函数极大值5.3.1遗传算法求函数极大值实例5.3.2仿真程序5.4基于遗传算法的PID整定5.4.1基于遗传算法的PID整定原理5.4.2基于实数编码遗传算法的PID整定5.4.3仿真程序5.4.4基于二进制编码遗传算法的PID整定5.4.5仿真程序5.5基于遗传算法摩擦模型参数辨识的PID控制5.5.1仿真实例5.5.2仿真程序第6章先进PID多变量解耦控制6.1PID多变量解耦控制6.1.1PID解耦控制原理6.1.2仿真程序及分析6.2单神经元PID解耦控制6.2.1单神经元PID解耦控制原理6.2.2仿真程序及分析6.3基于DRNN神经网络整定的PID解耦控制6.3.1基于DRNN神经网络参数自学习PID解耦控制原理6.3.2DRNN神经网络的Jacobian信息辨识6.3.3仿真程序及分析第7章几种先进PID控制方法7.1基于干扰观测器的PID控制7.1.1干扰观测器设计原理7.1.2连续系统的控制仿真7.1.3离散系统的控制仿真7.2非线性系统的PID鲁棒控制7.2.1基于NCD优化的非线性优化PID控制7.2.2基于NCD与优化函数结合的非线性优化PID控制7.3一类非线性PID控制器设计7.3.1非线性控制器设计原理7.3.2仿真程序及分析7.4基于重复控制补偿的高精

摘要:软件定义网络(SDN)是现代备受关注的新型网络体系结构之一，正逐步革新现存的传统网络体系结构。
数据平面和控制平面的解耦和、网络控制的逻辑集中、用于数据转发策略的流抽象以及网络的编程能力是SDN的4个主要基本概念。
介绍了SDN的发展背景及其缘起;描述了SDN体系结构，并从SDN三层架构出发分析SDN的3个平面、OpenFlow接口以及工作原理，贯穿了SDN的4个主要基本概念，展望了SDN的发展趋势。

NetStateBus是一个可以无缝进行网络状态监听的框架，使用简单，具有强解耦，高性能等特性。
NetStatusBus简化了网络监听的流程，使代码更加简洁高效

概述PSAT(PowerSystemAnalysisToolbox)，中文翻译为电力系统分析软件包，包含了：PF-潮流计算；
CPF-连续潮流；
OPF-最优潮流；
SSSA-小扰动分析；
TDS-时域仿真；
GUI-用户人机界面；
GNE-自定义模型等功能。
经过验证，该工具包已经可以计算上千节点规模的系统。
而且该软件包源代码完全公开，因此用户可以根据自己的研究兴趣编写修改相应源代码实现研究目的。
同时,依托于Matlab的强大计算功能以及丰富的控制、信号处理、鲁棒控制、模糊控制等工具箱,使得PSAT可以把控制科学、信号处理等方面的新思想与电力系统的传统仿真计算有机地结合起来[1]。
系统模型库及主界面为了适应针对电力系统新元件、新问题的研究，PSAT提供了丰富的静态、动态模型库：电力系统分析软件包PSAT主界面介绍（1）潮流模型，母线、传输线、变压器、平衡母线、PV母线、恒功率负荷以及并联电容器等；
（2）电力市场相关模型，供求上下限、储备功率等；
（3）断路器相关模型，故障类型、开关等；
（4）测量元件模型，测频器、相量测量单元PMU等；
（5）电机模型，同步、异步电机；
（6）负荷模型(ZIP)，电压、频率相关模型等；
（7）控制器模型，调速器、励磁，电力系统稳定器PSS及附加阻尼控制(POD)；
（8）柔性交流输电技术(FACTS)模型，静止无功补偿器(SVC)、可控串联补偿装置(TCSC)、静止同步串联补偿器(SSSC)、统一潮流控制器(UPFC)；
（9）直流输电模型；
（10）分布式发电系统，各种风机模型。
主要功能（1）潮流计算：进行各种电力系统问题研究的基础，PSAT包括了标准牛顿-拉夫逊算法、快速解耦算法等。
PSAT具有友好的潮流计算界面,在装载算例(*.mdl或*.m)文件后,选择powerflow完成潮流计算后可以弹出潮流计算GUI。
其中，清楚地列出了母线电压相角、有功、无功等潮流结果。
同时，PSAT还支持将潮流结果以文本格式输出，这样的潮流结果可以方便地应用于任何软件编写的电力系统分析软件的输入。
（2）最优潮流：PSAT采用基于Mehrotra预测-修改的内点法求解最优潮流问题，并且PSAT最优潮流中的目标函数相当丰富。
（3）小信号分析：低频振荡正成为跨大区输电安全性的瓶颈，针对这一问题的研究已广泛展开。
在完成基本的潮流计算后，PSAT便可以进行特征值参与因子等计算工作。
它采用解析法计算Jacobian矩阵，这样就保证了计算的精确性。
（4）时域仿真分析：PSAT采用修改系统参数(例如支路阻抗数值大小)以及其专有的嵌入式的故障描述文件(*.m)来构成。

【目录】-MATLAB神经网络30个案例分析(开发实例系列图书)第1章BP神经网络的数据分类——语音特征信号分类1本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。
第2章BP神经网络的非线性系统建模——非线性函数拟合11本章拟合的非线性函数为y=x21+x22。
第3章遗传算法优化BP神经网络——非线性函数拟合21根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。
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36对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。
这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。
第5章基于BP_Adaboost的强分类器设计——公司财务预警建模45BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。
第6章PID神经元网络解耦控制算法——多变量系统控制54根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。
第7章RBF网络的回归——非线性函数回归的实现65本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。
将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。
第8章GRNN的数据预测——基于广义回归神经网络的货运量预测73根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。
第9章离散Hopfield神经网络的联想记忆——数字识别81根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。
要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。
第10章离散Hopfield神经网络的分类——高校科研能力评价90某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。
第11章连续Hopfield神经网络的优化——旅行商问题优化计算100现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。
第12章SVM的数据分类预测——意大利葡萄酒种类识别112将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。
第13章SVM的参数优化——如何更好的提升分类器的性能122本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。
第14章SVM的回归预测分析——上证指数开盘指数预测133对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。
第15章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141在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。
若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。
第16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153本案例中给出了一个含有60个个体基因表达水平的样本。
每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类),中间的20个样本是正常人的基因表达信息样本,余下的20个样本是待检测的样本(未知它们是否正常)。
以下将设法找出癌症与正常样本在基因表达水平上的区

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。