<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[KIDaptx4869的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/KIDaptx4869</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; KIDaptx4869]]></copyright><item><title><![CDATA[labview学习笔记1——下拉列表及禁用输入项，属性节点禁用disanble and grayed out]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/134419750</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/134419750</guid><author>KIDaptx4869</author><pubDate>Wed, 15 Nov 2023 15:46:00 +0800</pubDate><description><![CDATA[在基于labview的上位机中，通常需要用到下拉列表的输入控件。配合属性节点，条件结构，可以实现下拉列表选定工作模式，且不同状态下的工作模式只可以输入对应的参与，非当前工作模式下的参数灰掉，无法输入给定参数。]]></description><category></category></item><item><title><![CDATA[CCS安装教程及新建工程文件]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/133063914</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/133063914</guid><author>KIDaptx4869</author><pubDate>Wed, 20 Sep 2023 09:29:05 +0800</pubDate><description><![CDATA[官网提供了各种版本的安装包，根据自己的系统和需求下载对应的安装包即可。程序安装位置，放置在提前建立的CCS文件夹中。打开系统安全中心，将病毒防护和防火墙全部关闭。选择支持的设备系列，如果不清楚的话，就全选。然后会显示不支持的类型，点击next就行。确认这些安装程序都是OK，点击next。选择允许的仿真调试设备，这里我全选了。选择开发板芯片型号和仿真器类型。这样新的工程文件就建立起来了。将文件解压到非中文路径。双击可执行文件，进行安装。]]></description><category></category></item><item><title><![CDATA[MATLAB脚本调用simulink仿真文件及simulink模块参数修改-load_system函数-sim函数-set_param函数]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/127814564</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/127814564</guid><author>KIDaptx4869</author><pubDate>Fri, 11 Nov 2022 23:07:04 +0800</pubDate><description><![CDATA[CS对应仿真文件的名称.slx，hot1对应.slx文件内模块的名称，这里我给他起名叫做hot1，hot1是一个常数模块，可以通过set_param函数对value这个参数进行设置。设定一个寻优参数区间和步长，给定一个约束函数，通过不断的试错仿真，可以得到一个最优函数。使用get_param函数可以获得模块的数，但是得到的str格式，如果需要后续计算的话，需要通过str2num函数转化为num格式。必须加载系统之后才可以完成后续的运行simulink仿真模型和获取仿真模型参数和设置仿真模型参数的操作。]]></description><category></category></item><item><title><![CDATA[机器学习-隐马尔科夫python实现及数学原理讲解]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/127813957</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/127813957</guid><author>KIDaptx4869</author><pubDate>Fri, 11 Nov 2022 22:26:58 +0800</pubDate><description><![CDATA[隐马尔可夫模型（hidden Markov model,HMM）是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。隐马尔可夫模型是一个生成模型，表示状态序列和观测序列的联合分布，但是状态序列是隐藏的，不可观测的.概率计算问题：即已经模型参数，且知道观测序列，如婴儿“哭”→“找妈妈”→“没精神”，计算这些行为产生的概率。解码问题：即已经模型参数，且知道观测序列，如婴儿“哭”→“找妈妈”→“没精神”，计算婴儿最可能处于的状态。]]></description><category></category></item><item><title><![CDATA[文献研读及学习笔记补充-微网群多智能体协调控制与延时补偿方法研究]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126094272</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126094272</guid><author>KIDaptx4869</author><pubDate>Mon, 01 Aug 2022 15:06:05 +0800</pubDate><description><![CDATA[所谓一致性指随着时间的增加，一个复杂系统中所有个体的状态趋于一个相同的值。一致性协议(算法)是指复杂系统中智能体直接相互作用的规则，它描述了每个智能体与相邻的智能体间的信息交换过程。多智能体系统一致性的关键点在于设计适当的控制法则或协议,对于任意的初始状态，随着时间的改变，使得智能体的某一个状态趋于一致。即为了使系统中所有智能体最终达到一个相同的信息状态，必须设计一个合适的算法，即一致性协议，使得所有智能体的信息状态收敛到一个相同值。...]]></description><category></category></item><item><title><![CDATA[机器学习-EM算法机器推广基于GaussianMixture函数对样本进行聚类-python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126060971</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126060971</guid><author>KIDaptx4869</author><pubDate>Fri, 29 Jul 2022 17:55:33 +0800</pubDate><description><![CDATA[EM(ExpectationMaximization)算法是一种迭代算法，用于含有隐变量（hiddenvariable）的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成E步，求期望（expectation）；M步，求极大（maximization）。一般的对样本模型的建立，是从样本的观测数据入手，找出样本的模型参数。常用的方法是最大似然估计，即利用已知的样本观测结果来反推最有可能的导致这个结果的样本参数。举一个例子，我有一包糖果，为了公平，我要平分给我的妹妹。...]]></description><category></category></item><item><title><![CDATA[文献研读-Methodology for Performing Synchrophasor Data Conditioning and Validation执行同步相量数据调节和验证的方法]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126054436</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/126054436</guid><author>KIDaptx4869</author><pubDate>Fri, 29 Jul 2022 17:35:18 +0800</pubDate><description><![CDATA[&emsp;&emsp;该文基于经典卡尔曼滤波器滤波及平滑，对纯相量测量单元（PMU）采集到的同步向量数据进行进行数据调节，以此来获得质量较高的同步相量估计值。该数据估计算法和应用至MPC中，用于提高状态估计器估计值的质量。
&emsp;&emsp;关于卡尔曼滤波的基础知识可以参考**郑政谋老师主编的《最佳线性滤波——维纳滤波、卡尔曼滤波与最小二乘滤波》**，该书详细推导了卡尔曼滤波的递推式，卡尔曼增益的求解公式等。需要知道的一点，卡尔曼滤波是一种最优理论，卡尔曼滤波可以使估计出来的噪声值较低，通过加权估计]]></description><category></category></item><item><title><![CDATA[文献研读及公式推导-推导电压的二次式，并建立AR模型，预测电压数据]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125987161</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125987161</guid><author>KIDaptx4869</author><pubDate>Tue, 26 Jul 2022 14:38:55 +0800</pubDate><description><![CDATA[文献证明了总线电压与时间的二次关系，可将电压构建成时间序列的AR模型，通过建立AR模型，根据过去时间段检测的电压数据对当前时间的电压数据进行预测，这对于后续的控制和相关的数据处理提供了数据参考。.........]]></description><category></category></item><item><title><![CDATA[基于VMWare 16虚拟机 CentOS7linux系统SFTP服务器的搭建与数据上载传输]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125911494</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125911494</guid><author>KIDaptx4869</author><pubDate>Thu, 21 Jul 2022 15:27:23 +0800</pubDate><description><![CDATA[搭建虚拟机，装载linux系统，在终端通过命令行，搭建SFTP服务器。创建SFTP组和用户，为组和用户指定目录，修改相应的配置文件，修改目录权限，为用户上传文件建立一个目录。通过本地CMD命令行进行上传文件测试。......]]></description><category></category></item><item><title><![CDATA[进程与线程的关系简单介绍]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125908976</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125908976</guid><author>KIDaptx4869</author><pubDate>Thu, 21 Jul 2022 14:16:33 +0800</pubDate><description><![CDATA[什么是进程?打个比方，你的程序要执行,操作系统就会杷你的exe文件加载到内存中、那就生成一个进程了(当然还包含分配到的资源等〉、所以，可以把进程看成是一个程序从开始执行到结束运行的全过程;对于线程，你可以理解成是一组代码的执行过程，这组代码会完成特定的工作，从这点上说、线程有点奏似函数的作用,但与函数不同之处在于多个线程是同时执行的、不存在一个调用/返回的过程。在单CPU的计算机上、线程的同步执行只是“宏观意义”上的、事实上每个线程还是轮换着占用CPU，这个过程由操作系统管理。...]]></description><category></category></item><item><title><![CDATA[MD5信息摘要算法学习笔记-新手入门级]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125894424</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125894424</guid><author>KIDaptx4869</author><pubDate>Thu, 21 Jul 2022 08:50:42 +0800</pubDate><description><![CDATA[MD5信息摘要算法（英语MD5Message-DigestAlgorithm），一种被广泛使用的密码散列函数，可以产生出一个128位（16字节）的散列值（hashvalue），用于确保信息传输完整一致。MD5由美国密码学家罗纳德·李维斯特（RonaldLinnRivest）设计，于1992年公开，用以取代MD4算法。这套算法的程序在RFC1321标准中被加以规范。1996年后该算法被证实存在弱点，可以被加以破解，对于需要高度安全性的数据，专家一般建议改用其他算法，如SHA-2。...]]></description><category></category></item><item><title><![CDATA[C++-queue头文件-队列常用函数-#include＜queue＞新手入门]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125891260</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125891260</guid><author>KIDaptx4869</author><pubDate>Wed, 20 Jul 2022 15:00:01 +0800</pubDate><description><![CDATA[在front，即队头，允许删除操作，进行出列操作，在rear，即队尾，允许插入操作，进行入列操作。在建立的队列q中压入5,10，15，三个整型数据，此时队列按照先进先出的原则，pop出队首的数据后，此时队列队首的数据应为10。在建立的队列q中压入5,10，15，三个整型数据，此时队列按照先进先出的原则，队首的数据应为5。在未压入数据时，此时列表q为空，true，输出为1，当压入数据后，列表不为空，输出为0.队列为空时，q的size为0，当压入三个数据之后，队列的size为3.队尾的数据应为15。...]]></description><category></category></item><item><title><![CDATA[机器学习-AdaBoost提升学习组合弱分类器对乳腺癌数据二分类python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125807078</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125807078</guid><author>KIDaptx4869</author><pubDate>Fri, 15 Jul 2022 17:19:20 +0800</pubDate><description><![CDATA[提升方法的基本思想是从弱分类器入手，通过数据训练，我们比较容易的到一系列弱分类器，然后组合我们得到的弱分类器，将其进行组合。构成一个强分类器。AdaBoost在每一轮训练中改变数据的权值或者概率分布，提高前一轮弱分类器错误分类的权值，降低那些被正确分类样本的权值。提升（Boosting）方法是一种常用的统计学习方法，应用广泛且有效。在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。提升方法基于这样一种思想。...]]></description><category></category></item><item><title><![CDATA[机器学习-逻辑斯蒂回归与最大熵模型概述-数学推导及乳腺癌数据分类python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125805659</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125805659</guid><author>KIDaptx4869</author><pubDate>Fri, 15 Jul 2022 16:05:20 +0800</pubDate><description><![CDATA[逻辑蒂斯回归（logistic regression）是统计学习中的经典分类方法。属于概率性判别模型。其基本思路是：给定输入实例$X$，分别利用二项逻辑蒂斯回归模型计算$P(Y=1|x)$和$P(Y=0|x)$，比较两个概率的大小，将$X$分类到概率大的一类。算法特点：通过逻辑斯谛回归模型的定义式$P(Y=1|x)$ 可以将线性函数$ω*x$转换为概率值，线性函数值ω*x越接近正无穷，概率值越接近为1，线性函数越接近负无穷，概率值越接近为0。......]]></description><category></category></item><item><title><![CDATA[机器学习-决策树概述及对鸢尾花数据分类python实现利用graphviz模块画出决策树]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125804495</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125804495</guid><author>KIDaptx4869</author><pubDate>Fri, 15 Jul 2022 15:13:12 +0800</pubDate><description><![CDATA[决策树（decisiontree）是一种基本的分类与回归方法，在分类问题中，表示基于特征对实例进行分类的过程。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型；预测时，对新的数据，利用决策树模型进行分类。决策树的学习通常包括3个步骤特征选择、决策树的生成和决策树的修剪。决策树算法的基本思想递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。这个过程就是特征空间的划分，也是决策树的构建。......]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯法及python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125803626</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125803626</guid><author>KIDaptx4869</author><pubDate>Fri, 15 Jul 2022 14:43:35 +0800</pubDate><description><![CDATA[朴素贝叶斯（naiveBayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。python实现朴素贝叶斯法。]]></description><category></category></item><item><title><![CDATA[linux系统加锁的文件无法删除]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125786576</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125786576</guid><author>KIDaptx4869</author><pubDate>Thu, 14 Jul 2022 16:07:53 +0800</pubDate><description><![CDATA[linux系统加锁文件无法删除，使用terminal终端命令行进行删除操作。]]></description><category></category></item><item><title><![CDATA[机器学习之支持向量机（SVM）对乳腺癌数据二分类python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125759329</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125759329</guid><author>KIDaptx4869</author><pubDate>Wed, 13 Jul 2022 11:53:30 +0800</pubDate><description><![CDATA[支持向量机（Support Vector Machines）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。通过数学推导和代码实现SVM。......]]></description><category></category></item><item><title><![CDATA[VMware16虚拟机安装及linux系统配置]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125632669</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125632669</guid><author>KIDaptx4869</author><pubDate>Wed, 06 Jul 2022 11:03:22 +0800</pubDate><description><![CDATA[VMware16虚拟机安装及linux系统配置]]></description><category></category></item><item><title><![CDATA[单点平均多点平均及累加平均算法（CMA）滑窗算法的python实现]]></title><link>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125632367</link><guid>https://blog.youkuaiyun.com/KIDaptx4869/article/details/125632367</guid><author>KIDaptx4869</author><pubDate>Wed, 06 Jul 2022 09:14:45 +0800</pubDate><description><![CDATA[滑窗算法python实现]]></description><category></category></item></channel></rss>