登录社区云，与社区用户共同成长
邀请您加入社区
构网型逆变器（Grid-Forming Inverter, GFMI）作为新型电力系统中新能源并网的核心装备，其小信号稳定性直接决定系统动态响应品质与安全运行边界。针对单机无穷大（SMIB）并网场景下构网型逆变器多时间尺度、多控制环路的耦合特性，本文采用状态空间法与组件连接法，构建包含物理元件、层次化控制回路及高频延迟环节的统一小信号模型，系统研究下垂控制、下垂 + 低通滤波器、虚拟同步发电机、补
本文针对电动汽车动力电池管理系统（BMS）的核心需求，提出一种基于双向DC/DC变换器的锂电池充放电模型。该模型集成恒流（CC）与恒压（CV）双模式切换功能，通过调制波选择控制结构实现电压电流的精准追踪。实验表明，在25℃环境下，模型端电压仿真误差控制在0.073V以内，SOC估算误差低于1%，验证了其在动态工况下的高精度特性。研究为动力电池测试、梯次利用及BMS开发提供了理论支撑。
本文聚焦于全桥LLC谐振变换器的移相控制（PSM）策略展开深入研究。首先阐述了全桥LLC谐振变换器的基本原理与拓扑结构，分析了PSM控制策略的工作原理及其相较于其他控制策略的优势。通过理论推导与仿真分析，详细探讨了PSM控制策略下变换器的电压传输特性、软开关实现条件以及动态响应性能。最后，通过实验验证了PSM控制策略在全桥LLC谐振变换器中的可行性与有效性，为全桥LLC谐振变换器在宽范围输入、高效
全桥LLC谐振变换器凭借其高效、高功率密度及宽负载范围软开关特性，在电动汽车充电、数据中心供电等领域得到广泛应用。本文聚焦于全桥LLC谐振变换器的仿真研究，系统分析其模态特性、PFM控制策略，并通过开环仿真验证理论模型。基于基波近似法推导增益表达式，结合品质因数迭代优化谐振参数设计，为高频化、高效率电源设计提供理论支撑。
随着新能源发电占比的持续提升，构网型逆变器（Grid-Forming Inverter, GFMI）作为支撑新型电力系统稳定运行的核心设备，其多控制策略兼容性与动态稳定性分析成为关键技术挑战。本文针对单机无穷大系统（SMIB）场景，提出基于状态空间表示（SSR）与组件连接法（CCM）的模块化小信号建模框架，系统整合下垂控制、下垂+低通滤波器、虚拟同步发电机（VSG）及补偿型广义虚拟同步发电机（CG
本文聚焦于现代永磁同步电机（PMSM）控制原理，系统梳理了SVPWM、DTC、Lun、SMO、EKF、HFI等经典控制算法的理论基础。通过MATLAB/Simulink平台搭建了涵盖10章节内容的完整仿真模型，验证了各算法在电机启动、稳态运行、动态调速等工况下的性能表现。实验结果表明，SVPWM算法在谐波抑制和效率优化方面表现突出；DTC算法实现了转矩的快速响应；SMO算法在无传感器控制中展现了高
随着5G密集组网与物联网多设备通信的快速发展，MIMO干扰无线网络中的同频干扰问题日益突出，传统资源分配策略难以平衡数据速率与能耗的矛盾。本文提出一种融合SDP-WMMSE与SCA算法的能效优化框架，通过非凸问题凸化、迭代求解与精度逼近策略，有效解决了MIMO干扰场景下的能效优化难题。仿真结果表明，该方案在提升系统能效的同时，显著抑制了同频干扰，为未来绿色通信网络设计提供了理论支撑。
本文从机器学习实践者熟悉的欧式空间出发，逐步引导至希尔伯特空间这一核心数学概念。通过函数内积、完备性以及傅里叶级数等实例，阐释了希尔伯特空间作为完备内积空间的定义与性质。文章重点剖析了再生核希尔伯特空间如何为支持向量机的核技巧提供坚实的理论基础，并通过代码示例直观展示了核方法如何解决线性不可分问题。
本文针对绝缘栅双极型晶体管（IGBT）在电力电子应用中的热失效问题，提出基于MATLAB的有限元电热耦合数值计算方法。通过构建IGBT三维几何模型，结合温度依赖性材料参数，实现瞬态热传导方程与焦耳热源的强非线性耦合求解。研究以MATLAB为计算平台，集成有限元网格划分、多物理场耦合求解及后处理可视化功能，验证了IGBT在150A/15V工况下的结温分布特性，为器件可靠性评估与散热优化提供理论依据。
铁磁材料因其独特的磁化特性在电力、电子、机械等领域广泛应用。本文基于MATLAB平台，对铁磁材料的控制仿真进行研究，涵盖磁滞模型、有限元方法、多物理场耦合等关键技术，并结合具体案例展示仿真流程与结果分析。通过仿真，可优化铁磁材料性能，降低损耗，提高系统效率。MCR是一种基于磁阀结构的可控电抗器，通过改变磁阀饱和度调节电抗值，广泛应用于高压动态无功补偿领域。
模型误差：NWP数据精度不足、功率曲线拟合偏差。数据不确定性：传感器噪声、数据缺失。环境动态性：风速突变、设备老化、叶片污染。系统复杂性：多风电场时空相关性未被充分建模。
机器学习算法的时间复杂度是算法设计与工程实现的核心考量，其本质是计算资源与模型能力的量化平衡。实时推荐系统：选择 O (d) 复杂度的线性模型（如 FTRL）；图像识别：使用预训练模型 + 模型压缩技术降低推理复杂度。通过理论分析与工程优化的结合，可在保证模型性能的前提下大幅提升算法效率。
在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其变为线性可分，这样就可以在该特征空间中寻找最优分类超平面。# 转换为小写# 移除HTML标签、处理URLs、电子邮件地址等# ... 其他替换规则 ...# 分词处理!# 初始化单词索引列表# 读取词汇表并处理每个单词# 移除非字母字符并检查单词长度cont
论文1SHAP（SHapley Additive exPlanations）可解释性与聚类分析的结合是当前机器学习可解释性研究的热门方向之一。这种结合不仅能深入理解模型的决策过程，还能通过聚类揭示数据中的潜在模式，进一步提升模型的可解释性和性能。我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文资料可以关注领取相关[论文+开源码】论文1基于Shapley值的可解释人工智能在故障诊断和预测
SVM（Support Vector Machine，支持向量机）是一种监督学习的方，用于分类和回归分析。在分类问题中，SVM 的目标是找到一个超平面（在二维空间中是一条线，在三维空间中是一个平面，以此类推），这个超平面能够将不同类别的样本分开，并且使得不同类别之间的间隔最大化。这种间隔最大化的特性使得 SVM 成为一种强大的分类器，尤其适用于高维空间中的分类问题。SVM 在许多领域都有广泛的应用
在“无监督学习”(unsupervised learning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”(clustering)。聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。通过这样的划分，每个簇可能对应于一些潜在的概念(类
支持向量机（Support Vector Machine，简称SVM）是一种强大的监督学习算法，常用于分类和回归任务。SVM在分类问题中尤其广受欢迎，因为它不仅能够在线性可分的情况下找到最优的分类超平面，还可以通过核函数处理非线性情况。在本篇博客中，将介绍支持向量机的理论基础、关键概念以及通过Python代码实现一个简单的SVM分类器。
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算
支持向量机SVM是机器学习中非常优秀的算法，在解决小样本问题上具有出色的性能。然而，SVM的性能受其参数的影响。传统的依靠人工经验选取和网格试错法都难以很好地解决。群智能优化算法是一种很有吸引力的算法，可以在保持计算成本合理的情况下解决SVM参数的选择问题，提高SVM的分类性能和泛化能力。本文利用（省去了安装第三方工具箱的繁琐），通过群智能优化算法选择SVM合适参数，解决分类问题。
随着现代工业的发展，各种设备和系统的故障诊断变得越来越重要。故障诊断是通过分析设备或系统的运行状态，准确地确定故障的原因和位置的过程。在过去的几十年里，许多故障诊断算法被提出和研究，其中一种被广泛应用的方法是基于深度置信网络-支持向量机（DBN-SVM）的故障诊断算法。深度置信网络（Deep Belief Network，DBN）是一种由多个堆叠的限制玻尔兹曼机（Restricted Boltzm
然后，将距离或相似度转换为相似度矩阵，最后构建一个对称的相似度矩阵。2. 构建拉普拉斯矩阵：从相似度矩阵中构建拉普拉斯矩阵，有多种形式的拉普拉斯矩阵，常用的有无标准化拉普拉斯矩阵、对称归一化拉普拉斯矩阵和随机游走归一化拉普拉斯矩阵。常见的方法包括计算样本间的欧式距离或相似度，并基于距离或相似度设置两个样本之间的边权重。请注意，这只是简单的示例，实际应用中可能需要根据数据特点和需求选择不同的距离度量
需要说明的是，若测试集样本对应的类别标签test_label未知，为了符合函数svmpredict调用格式的要求，随机填写即可，在这种情况下，accuracy便没有具体的意义了，只需关注预测的类别标签predict_label即可。从表中可以清晰地看到，线性核函数和Sigmoid核函数对应的正确率较低，而RBF核函数和多项式核函数对应的训练集预测正确率相当，但从模型的泛化能力考虑，即同时衡量测试集
支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。
机器学习（Machine learning）——Support Vector Machine(SVM)支持向量机
1 简介支持向量机是利用已知数据类别的样本为训练样本，寻找同类数据的空间聚集特征，从而对测试样本进行分类验证，通过验证可将分类错误的数据进行更正。本文以体检数据为数据背景，首先通过利用因子分析将高维数据进行降维，由此将所有指标整合成几个综合性指标；为降低指标之间的衡量标准所引起的误差，本文利用 MATLAB软件将数据进行归一化处理，结合聚类分析将数据分类；最后本文利用最小二乘支持向量机分类算法进行
SVM的特点非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射；对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心；支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量；SVM 是一种有坚实理论基础的新颖的小样本学习方法。SVM优缺点优点：范化错误率低，计算开销不大，结果易解释缺点：对参数调节和核函数的选择敏感，原始分类器
libsvm库简单使用
前言： 我搜了一下目前网络上很少有关于拉格朗日松弛方法(LR)的系统性的介绍，同时拉格朗日松弛方法非常的有意思在于它是运筹优化领域解决混合整数的一种主要方法，同时也是机器学习里边SVM（支持向量机）的理论基础。我发现很多同学无法完全领会支持向量机的精髓，恰恰是因为对拉格朗日松弛不了解。废话到此，那么直接上干的。1拉格朗日松弛方法(LR)的简介在运筹，数学优化领域，LR常用来求解混合整数规划问题，是
下面是几位机器学习权威专家汇总的725个机器学习术语表，非常全面了，值得收藏！英文术语中文翻译0-1 Loss Function0-1损失函数Accept-Reject Sampling ...
线性SVM决策过程的可视化1、导入需要的模块from sklearn.datasets import make_blobsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport numpy as np2、实例化数据集，可视化数据集X,y = make_blobs(n_samples=50, centers=2, random
对http://blog.csdn.net/v_july_v/article/details/7624837的文章进行少量的注解，请结合原文来看。
本文转载自：http://blog.csdn.net/v_july_v/article/details/7624837
文献来源：目前，针对售电商交易策略的研究多集中于利 润风险管控、需求响应调用、偏差结算机制等方面。文献[1-2]提出利用期货合同、动态零售电价、多代 理服务等方法实现售电商的风险管控。文献[3-5]基 于条件风险价值法(conditional value-at-risk，CVaR) 度量风险损失，并分析了其对售电商购售电参数的 影响。文献[6]比较了最小最大后悔值法、机会约束、 条件风险价值3种方
本文聚焦于永磁同步电机（PMSM）在无速度传感器控制场景下的关键技术难题，深入探讨了脉振高频注入法在解决0速转矩输出问题中的应用。通过构建基于MATLAB/Simulink的插入式凸极永磁同步电机脉振高频注入无速度传感器仿真模型，详细阐述了高频信号注入原理、信号提取与处理过程以及无速度传感器控制策略的实现。仿真结果表明，该模型能够有效实现电机在0速及低速工况下的转矩输出，为永磁同步电机无速度传感器
💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。
非线性系统的最优控制问题一直是控制领域的核心挑战，其核心在于求解哈密尔顿-雅可比-贝尔曼（HJB）方程。然而，传统动态规划方法因“维数灾”问题难以应用于复杂非线性系统。本研究基于值迭代自适应动态规划（ADP）框架，结合神经网络近似技术，提出了一种针对带有饱和执行器的非线性系统的近似最优控制方法。该方法通过神经网络逼近HJB方程的解，避免了直接求解偏微分方程的复杂性，并通过仿真验证了其在饱和约束下的
在当今复杂系统控制领域不断追求高效、精准控制策略的大背景下，非线性系统的最优控制问题一直是众多科研人员聚焦的关键研究方向。自适应动态规划（ADP）作为一种融合了人工智能与控制理论的创新方法，为解决非线性系统的最优控制难题提供了崭新的思路和有效的途径。基于此，本文精心开展了一项极具价值的复现研究工作，将研究焦点精准地落在非线性值迭代自适应动态规划（ADP）上，具体深入探究离散时间非线性系统的策略迭代
激光雷达SLAM（Simultaneous Localization and Mapping）通过激光雷达获取环境点云数据，实现机器人自主定位与环境地图构建。扫描匹配算法通过对齐相邻帧点云估计相对位姿，是减少累积误差的核心环节。贪心算法通过局部最优选择实现高效位姿优化，适用于实时性要求高的场景。本文详细解析了基于ICP的扫描匹配算法原理，结合贪心策略提出位姿优化框架，并通过Matlab仿真验证算法
深入解析基于HOG+SVM的行人检测系统：Pedestrian Detection
在这个项目里， 你需要完成一个意图识别的任务，主要使用的模型是SVM算法。使用的数据集是SMP2018中文人机对话技术评测，是由科大讯飞股份有限公司提供数据。具体的数据可以从以下的链接下载： https://worksheets.codalab.org/worksheets/0x27203f932f8341b79841d50ce0fd684f/#， 下载之后把是数据集解压在当前的工程的根目录下。
机会约束规划(chance constrained programming简称CCP)也称为概率约束规划,最初由Charnes和 Cooper[1在1958年提出,是针对约束条件中含有随机参数并在一定概率条件满足下的最优化问题.近几十年,机会约束广泛应用于参数不确定的优化和决策问题中.比如,网络优化2]、供应链管理3、生产计划[4和水流箱管理5等．关于CCP的发展情形,感兴趣的读者可参见综述文献[
四旋翼无人机的轨迹跟踪控制长期依赖欧拉角等局部坐标表示，但这类方法在剧烈机动或大角度姿态变化时会遭遇奇异性和万向节锁死问题。几何跟踪控制通过在SO(3)和SE(3)李群上直接设计控制律，从根本上规避了坐标奇异，并提供了几乎全局的稳定性保证。本文系统梳理了几何跟踪控制的理论基础、核心方法学进展与当前研究前沿。首先阐述四旋翼在SE(3)上的全局动力学建模及其微分平坦特性，分析欧拉角方法的固有局限。进而
支持向量机
——支持向量机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
2048 AI社区
openEuler 社区
