NPBG2E 2 Numpy 基础

【多媒体处理】基于C++、Qt与FFmpeg的课堂视频自动分段与重点标记系统设计 项目介绍 基于C++、Qt与FFmpeg的课堂录屏视频自动分段与重点标记系统设计与实现(含模型描述及部分示例代码) 内容概要:本文详细介绍了一个基于C++、Qt与FFmpeg的课堂录屏视频自动分段与重点标记系统的设计与实现。系统通过多模态分析技术,结合视频画面差异、音频特征(如短时能量、过零率、静音分析)以及时间上下文信息,实现对课堂视频的智能分段和重点内容识别。项目采用模块化架构,涵盖媒体解码、视觉与音频特征提取、多模态融合决策、片段构建与重点评分等功能,并通过Qt实现图形化交互界面,支持用户对自动生成的结果进行校正与导出。文中还提供了核心数据结构定义及关键算法的C++代码示例,包括帧抽样解码、画面差异计算、音频分析、边界融合与片段生成等,具备较强的工程落地能力。; 适合人群:具备C++编程基础,熟悉Qt框架和多媒体处理技术的中高级开发人员,以及从事教育信息化、视频分析、智能教学系统研发的相关技术人员。; 使用场景及目标:①用于课堂教学视频的自动化整理,提升教师后期剪辑与资源归档效率;②构建可解释的多模态分段模型,适应不同类型课程(如理工类、语言类)的教学节奏与特征;③改善学生对长视频的学习体验,实现知识点快速定位与重点内容优先复习;④作为可扩展的多媒体工程框架,支撑会议录像、培训视频等类似场景的内容结构化处理。; 阅读建议:此资源不仅提供理论模型描述,更侧重于实际工程实现,建议读者结合代码示例深入理解各模块设计思路,重点关注FFmpeg的流式解码、多线程处理机制与Qt信号槽通信的应用,并可根据需求集成OCR、语音识别等模块以进一步增强系统功能。 立即下载

NumPy 基础


最近是突然发现这本书有些 Numpy 的使用,然后里面涉及的一些例子是用了金融的例子,就想起来看一下,更多参考 《Python数据分析基础教程:NumPy学习指南(第2版)》。

NumPy 数组对象

NumPy 中的 ndarray 是一个多维数组对象,该对象由两部分组成:

  • 实际的数据;
  • 描述这些数据的元数据(metadata)。

大部分的数组操作仅仅修改元数据部分,而不改变底层的实际数据。

NumPy 数组一般是同质的(但有一种特殊的数组类型例外,它是异质的),即数组中的所有元素类型必须是一致的。这样有一个好处:如果我们知道数组中的元素均为同一类型,该数组所需的存储空间就很容易确定下来。

与 Python 一样,NumPy 数组的下标也是从 0 开始的。数组元素的数据类型用专门的对象表示。

数组的 shape 属性返回一个元组(tuple),元组中的元素即为 NumPy 数组每一个维度上的大小。

创建多维数组

>>> m = np.array([np.arange(2), np.arange(2)])
>>> m
array([[0, 1],
       [0, 1]])
>>> m.shape
(2, 2)
>>>

np.array 函数可以依据给定的对象生成数组。给定的对象应是类数组,如 Python 中的列表。像这样的类数组对象是 np.array 函数的唯一必要参数,其余的诸多参数均为有默认值的可选参数。第二个常用的参数应该是 dtype。

选取数组元素

有时候,我们需要选取数组中的某个特定元素。可以一次选取数组中的每个元素,尽管我觉得这不常用。需要注意的是,数组的下标是从 0 开始的。

>>> a = np.array([[1, 2], [3, 4]])
>>> a
array([[1, 2],
       [3, 4]])
>>> a[0, 0]
1
>>> a[0, 1]
2
>>> a[1, 0]
3
>>> a[1, 1]
4
>>>

对于数组 a,只需要用 a[m,n] 选取各数组元素,其中 m 和 n 为元素下标。

NumPy 数值类型

Python 支持的数据类型有整型、浮点型以及复数型,但这些类型不足以满足科学计算的需求,因此 NumPy 添加了很多其他的数据类型。在实际应用中,我们需要不同精度的数据类型,它们占用的内存空间也是不同的。

类 型描 述
bool用一位存储的布尔类型(值为 TRUE 或 FALSE)
inti由所在平台决定其精度的整数(一般为 int32 或 int64)
int8整数,范围为 -128 至 127
int16整数,范围为 -32768 至 32767
int32整数,范围为 - 2 31 2^{31} 231 至 2 31 2^{31} 231 -1
int64整数,范围为 - 2 63 2^{63} 263 至 2 63 2^{63} 263 -1
uint8无符号整数,范围为 0 至 255
uint16无符号整数,范围为 0 至 65535
uint32无符号整数,范围为 0 至 2 32 2^{32} 232-1
uint64无符号整数,范围为 0 至 2 64 2^{64} 264-1
float16半精度浮点数(16 位):其中用 1 位表示正负号,5 位表示指数,10 位表示尾数
float32单精度浮点数(32 位):其中用 1 位表示正负号,8 位表示指数,23 位表示尾数
float64或float双精度浮点数(64 位):其中用1位表示正负号,11 位表示指数,52 位表示尾数
complex64复数,分别用两个 32 位浮点数表示实部和虚部
complex128或complex复数,分别用两个 64 位浮点数表示实部和虚部

对于浮点类型,我们可以使用 finfo() 函数获取信息:

>>> np.finfo(np.float32)
finfo(resolution=1e-06, min=-3.4028235e+38, max=3.4028235e+38, dtype=float32)
>>>

每一种数据类型均有对应的类型转换函数:

>>> np.float64(False)
0.0
>>> np.float64(42)
42.0
>>> np.int8(42.0)
42
>>> np.bool_(42)
True
>>> np.bool_(0)
False
>>> np.bool_(42.0)
True
>>> np.float64(True)
1.0
>>> np.float64(False)
0.0
>>>

在 NumPy 中,许多函数的参数中可以指定数据类型,通常这个参数是可选的:

>>> np.arange(7, dtype=np.uint8)
array([0, 1, 2, 3, 4, 5, 6], dtype=uint8)
>>>

需要注意的是,复数是不能转换为整数或者浮点,这将触发 TypeError 错误:

>>> np.int16(42.0 + 1.0j)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: int() argument must be a string, a bytes-like object or a real number, not 'complex'
>>>

不过,浮点数却可以转换为复数。

>>> np.complex64(1.0)
(1+0j)
>>>

数据类型对象

数据类型对象是 numpy.dtype 类的实例。如前所述,NumPy 数组是有数据类型的,更确切地说,NumPy 数组中的每一个元素均为相同的数据类型。数据类型对象可以给出单个数组元素在内存中占用的字节数,即 dtype 类的 itemsize 属性:

>>> a.dtype.itemsize
4
>>>

用字符指定数据类型

NumPy 可以使用字符来表示数据类型,这是为了兼容 NumPy 的前身 Numeric。不推荐使用字符,但有时会用到,因此下面还是列出了字符编码的对应表。应该优先使用 dtype 对象来表示数据类型,而不是这些字符编码。

数据类型字符
整数i
无符号整数u
单精度浮点数f
双精度浮点数d
布尔值b
复数D
字符串S
unicode 字符串U
void(空)V
>>> np.arange(7, dtype="f")
array([0., 1., 2., 3., 4., 5., 6.], dtype=float32)
>>> np.arange(7, dtype="D")
array([0.+0.j, 1.+0.j, 2.+0.j, 3.+0.j, 4.+0.j, 5.+0.j, 6.+0.j])
>>>

数据类型构造函数

Python 类具有函数,如果它们属于一个类,则称为方法。其中一些方法很特殊,用于创建新对象。这些专门的方法称为构造函数。有很多的方法来创建一个数据类型,这里以浮点数为例:

>>> np.dtype(float)  # Use the general Python float
dtype('float64')
>>> np.dtype("f")  # Specify a single precision float with a character code
dtype('float32')
>>> np.dtype("d")  # Use a double precision float character code
dtype('float64')
>>>

还可以将两个字符作为参数传给数据类型的构造函数。此时,第一个字符表示数据类型,第二个字符表示该类型在内存中占用的字节数(2、4、8 分别代表精度为 16、32、64 位的浮点数):

>>> np.dtype("f8")
dtype('float64')
>>>

完整的 NumPy 数据类型列表可以在 sctypeDict.keys() 中找到:

>>> np.sctypeDict.keys()
dict_keys(['?', 0, 'byte', 'b', 省略一些
>>>

dtype 类的属性

dtype 类有很多有用的属性。char 可以获取数据类型的字符编码,type 属性对应于数组元素的数据类型:

>>> t = np.dtype("float64")
>>> t.char
'd'
>>> t.type
<class 'numpy.float64'>
>>>

str 属性可以给出数据类型的字符串表示,该字符串的首个字符表示字节序(endianness),后面如果还有字符的话,将是一个字符编码,接着一个数字表示每个数组元素存储所需的字节数。这里,字节序是指位长为 32 或 64 的字(word)存储的顺序,包括大端序(big-endian)和小端序(little-endian)。大端序是将最高位字节存储在最低的内存地址处,用 > 表示;与之相反,小端序是将最低位字节存储在最低的内存地址处,用 < 表示:

>>> t.str
'<f8'
>>>

创建自定义数据类型

自定义数据类型是一种异构数据类型,可以当做用来记录电子表格或数据库中一行数据的结构。

>>> t = np.dtype([("name", np.str_, 40), ("num_items", np.int32), ("price", np.float32)])
>>> t
dtype([('name', '<U40'), ('num_items', '<i4'), ('price', '<f4')])
>>> t['name']
dtype('<U40')
>>> itemz = np.array([("Meaning of life DVD", 42, 3.14), ("Butter", 13, 2.72)], dtype=t)
>>> itemz
array([('Meaning of life DVD', 42, 3.14), ('Butter', 13, 2.72)],
      dtype=[('name', '<U40'), ('num_items', '<i4'), ('price', '<f4')])
>>>

在用 np.array 函数创建数组时,如果没有在参数中指定数据类型,将默认为浮点数类型。而现在,我们想要创建自定义数据类型的数组,就必须在参数中指定数据类型,否则将触发 TypeError 错误。

一维数组的索引和切片

一维数组的切片操作与 Python 列表的切片操作很相似。

>>> a = np.arange(9)
>>> a[3:7]
array([3, 4, 5, 6])
>>> a[:7:2]
array([0, 2, 4, 6])
>>> a[::-1]
array([8, 7, 6, 5, 4, 3, 2, 1, 0])
>>>

和 Python 中一样,我们也可以利用负数下标翻转数组。

多维数组的切片和索引

ndarray 支持在多维数组上的切片操作。为了方便起见,我们可以用一个省略号(…)来表示遍历剩下的维度。

>>> b = np.arange(24).reshape(2, 3, 4)
>>> b.shape
(2, 3, 4)
>>> b
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>>
>>> b[0, 0, 0]
0
>>> b[:, 0, 0]
array([ 0, 12])
>>> b[0]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b[0, :, :]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b[0, ...]
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>

多个冒号可以用一个省略号(…)来代替。

如果在多维数组中执行翻转一维数组的命令,将在最前面的维度上翻转元素的顺序:

>>> b[::-1]
array([[[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]],

       [[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]])
>>>

改变数组的维度

除了 reshape 函数,还有一些函数可以将数组数组展平。ravel 函数与 flatten 函数的功能相同。不过,flatten 函数会请求分配内存来保存结果,而 ravel 函数只是返回数组的一个视图(view):

>>> b 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> b.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])
>>> b.flatten()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])
>>>

除了可以使用 reshape 函数,也可以直接用一个正整数元组来设置数组的维度,

>>> b.shape = (6, 4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])
>>>

transpose 在线性代数中,转置矩阵是很常见的操作:

>>> b.transpose()
array([[ 0,  4,  8, 12, 16, 20],
       [ 1,  5,  9, 13, 17, 21],
       [ 2,  6, 10, 14, 18, 22],
       [ 3,  7, 11, 15, 19, 23]])
>>>

resize 和 reshape 函数的功能一样,但 resize 会直接修改所操作的数组:

>>> b.resize((2, 12))
>>> b
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])
>>>

数组的组合

NumPy 数组有水平组合、垂直组合和深度组合等多种组合方式,我们将使用 vstack、dstack、hstack、column_stack、row_stack 以及 concatenate 函数来完成数组的组合。

  • 水平组合:将 ndarray 对象构成的元组作为参数,传给 hstack 函数。
>>> a = np.arange(9).reshape(3, 3)
>>> b = 2 * a
>>> np.hstack((a, b))
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])
>>>

也可以用 concatenate 函数来实现同样的效果:

np.concatenate((a, b), axis=1)
  • 垂直组合:垂直组合同样需要构造一个元组作为参数,只不过这次的函数变成了 vstack。
>>> np.vstack((a, b))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
>>> np.concatenate((a, b), axis=0)
>>>
  • 深度组合:将相同的元组作为参数传给 dstack 函数,即可完成数组的深度组合。所谓深度组合,就是将一系列数组沿着纵轴(深度)方向进行层叠组合。举个例子,有若干张二维平面内的图像点阵数据,我们可以将这些图像数据沿纵轴方向层叠在一起,这就形象地解释了什么是深度组合。
>>> np.dstack((a, b))
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])
>>>
  • 列组合:column_stack 函数对于一维数组将按列方向进行组合:
oned = np.arange(2)
oned
twice_oned = 2 * oned
np.column_stack((oned, twice_oned))

而对于二维数组,column_stack 与 hstack 的效果是相同的:

>>> np.column_stack((a, b))
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])
>>> np.column_stack((a, b)) == np.hstack((a, b))
array([[ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True]])
>>>
  • 行组合:当然,NumPy 中也有按行方向进行组合的函数,它就是 row_stack。对于两个一维数组,将直接层叠起来组合成一个二维数组。对于二维数组,row_stack 与 vstack 的效果是相同的
>>> np.row_stack((oned, twice_oned))
array([[0, 1],
       [0, 2]])
>>> np.row_stack((a, b))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
>>> np.row_stack((a, b)) == np.vstack((a, b))
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]])
>>>
函数说明
vstack()该函数垂直堆叠数组
dstack()该函数沿第三轴深度堆叠数组
hstack()该函数水平堆叠数组
column_stack()该函数将一维数组作为列堆叠以创建二维数组
row_stack()该函数垂直堆叠数组
concatenate()该函数连接数组的列表或元组

数组的分割

NumPy 数组可以进行水平、垂直或深度分割,相关的函数有 hsplit、vsplit、dsplit 和 split。我们可以将数组分割成相同大小的子数组,也可以指定原数组中需要分割的位置。

  • 水平分割(理解为水平轴将被切割为 n 份):下面的代码将把数组沿着水平方向分割为3个相同大小的子数组:
>>> np.hsplit(a, 3)
[array([[0],
       [3],
       [6]]), array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]])]
>>>

对同样的数组,调用 split 函数并在参数中指定参数 axis=1。

np.split(a, 3, axis=1)
  • 垂直分割:vsplit 函数将把数组沿着垂直方向分割,
>>> np.vsplit(a, 3)
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
>>> np.split(a, 3, axis=0)
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
>>>
  • 深度分割,不出所料,dsplit 函数将按深度方向分割数组。
>>> c = np.arange(27).reshape(3, 3, 3)
>>> c
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])
>>> np.dsplit(c, 3)
[array([[[ 0],
        [ 3],
        [ 6]],

       [[ 9],
        [12],
        [15]],

       [[18],
        [21],
        [24]]]), array([[[ 1],
        [ 4],
        [ 7]],

       [[10],
        [13],
        [16]],

       [[19],
        [22],
        [25]]]), array([[[ 2],
        [ 5],
        [ 8]],

       [[11],
        [14],
        [17]],

       [[20],
        [23],
        [26]]])]
>>>

数组的属性

除了 shape 和 dtype 属性以外,ndarray 对象还有很多其他的属性

  • ndim 属性,给出数组的维数,或数组轴的个数
  • size 属性,给出数组元素的总个数
  • itemsize 属性,给出数组中的元素在内存中所占的字节数
  • 如果你想知道整个数组所占的存储空间,可以用 nbytes 属性来查看。这个属性的值其实就是 itemsize 和 size 属性值的乘积
  • T 属性的效果和 transpose 函数一样
  • 对于一维数组,其 T 属性就是原数组。在 NumPy 中,复数的虚部是用 j 表示的。
  • real 属性,给出复数数组的实部。如果数组中只包含实数元素,则其 real 属性将输出原数组
  • imag 属性,给出复数数组的虚部
  • 如果数组中包含复数元素,则其数据类型自动变为复数型
  • flat 属性将返回一个 numpy.flatiter 对象,这是获得 flatiter 对象的唯一方式——我们无法访问 flatiter 的构造函数。这个所谓的“扁平迭代器”可以让我们像遍历一维数组一样去遍历任意的多维数组。可以用flatiter 对象直接获取一个数组元素或者获取多个元素。flat 属性是一个可赋值的属性。对 flat 属性赋值将导致整个数组的元素都被覆盖。
    different types of attributes of the ndarray class
>>> b
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])
>>> b.ndim  # ndim 属性,给出数组的维数,或数组轴的个数
2
>>> b.size  # size 属性,给出数组元素的总个数
24
>>> b.itemsize  # itemsize 属性,给出数组中的元素在内存中所占的字节数
4
>>> b.nbytes  # 整个数组所占的存储空间
96
>>> b.size * b.itemsize
96
>>> b.resize(6, 4)
>>> b = np.arange(5)
>>> b
array([0, 1, 2, 3, 4])
>>> b.T  # T 属性的效果和 transpose 函数一样
array([0, 1, 2, 3, 4])
>>> b = np.array([1.0j + 1, 2.0j + 3])  # 复数的虚部是用j表示的
>>> b.real  # real 属性,给出复数数组的实部
array([1., 3.])
>>> b.imag  # imag 属性,给出复数数组的虚部
array([1., 2.])
>>> b.dtype  # 如果数组中包含复数元素,则其数据类型自动变为复数型
dtype('complex128')
>>> b.dtype.str
'<c16'
>>> b = np.arange(4).reshape(2, 2)
>>> b
array([[0, 1],
       [2, 3]])
>>> f = b.flat  # flat 属性将返回一个 numpy.flatiter 对象
>>> f
<numpy.flatiter object at 0x000001FFD955A270>
>>> for item in f:
...     print(item)
...
0
1
2
3
>>>
>>> b.flat[2]  # 用 flatiter 对象直接获取一个数组元
2
>>> b.flat[[1, 3]]  # 或者获取多个元素
array([1, 3])
>>> b.flat = 7  # flaT 属性是一个可赋值的属性。对 flat 属性赋值将导致整个数组的元素都被覆盖
>>> b.flat[[1, 3]] = 1
>>> b
array([[7, 1],
       [7, 1]])
>>>

数组的转换

可以使用 tolist 函数将 NumPy 数组转换成 Python 列表。

>>> b
array([[7, 1],
       [7, 1]])
>>> b.tolist()
[[7, 1], [7, 1]]
>>>

astype 函数可以在转换数组的数据类型

>>> b.astype(float)
array([[7., 1.],
       [7., 1.]])
>>>

后续将介绍 NumPy 中的常用函数,包括基本数学函数和统计函数等。

DuCut_1794620715264_806.mp4 立即下载

相关推荐

chrome-headless-shell-mac-x64-160.0.8160.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:x64 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器(Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

基于KDE-CDF置信带的不确定综合能源系统鲁棒调度优化研究(Matlab代码实现)

内容概要:本研究针对不确定综合能源系统中的鲁棒调度优化问题,提出一种基于核密度估计-累积分布函数(KDE-CDF)置信带的建模方法,用以精确刻画风能、光伏及负荷等不确定性因素的非正态概率分布特征。通过构建KDE-CDF模型,能够有效捕捉实际运行中新能源出力与负荷需求的波动性与随机性,并在此基础上设计鲁棒优化调度框架,提升系统在不确定性环境下的运行可靠性与经济性。该方法结合Matlab编程实现,综合考虑系统运行成本、峰谷差、碳排放等多重目标,实现多维度协调优化。研究还探讨了与智能优化算法(如粒子群算法)相结合的应用路径,增强了模型的求解效率与工程实用性,为含多种储能装置、电转气设备及碳捕集系统的复杂综合能源系统提供了科学的调度决策支持。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的研究生、科研人员,以及从事综合能源系统规划、运行与调度工作的工程技术人员。; 使用场景及目标:①解决高比例可再生能源接入背景下综合能源系统调度中的不确定性建模难题;②提升调度方案在面对新能源强波动性时的鲁棒性与适应能力;③为融合多类型灵活性资源(如储能、电转气、碳捕集)的综合能源系统提供精细化、可落地的优化运行策略。; 阅读建议:建议读者在掌握概率统计、随机优化与电力系统运行基础知识的前提下,结合文中提供的Matlab代码进行实践操作,重点关注KDE-CDF置信带的构建流程及其在鲁棒优化模型中的嵌入机制,通过调整输入数据分布、参数设置与场景配置开展仿真对比实验,深入理解不确定性建模精度对调度决策质量的影响,进而掌握从数据驱动角度提升系统鲁棒性的关键技术路径。

多智能体-系统-形成-控制 附matlab代码.rar

多智能体-系统-形成-控制 附matlab代码.rar

含分布式电源的配电网可靠性评估研究(Matlab代码实现)

内容概要:本文系统研究了含分布式电源的配电网可靠性评估方法,基于Matlab代码实现了完整的评估模型与算法框架。研究深入分析了分布式电源接入后对配电网结构与运行特性的影响,重点探讨了其对供电可靠性的作用机制。采用序贯蒙特卡洛模拟法对系统各类状态进行抽样与仿真,综合考虑了分布式电源出力的随机性、负荷波动性以及网络拓扑变化等多种不确定性因素,精确计算了系统及负荷点的多项可靠性指标。通过在标准测试系统上的仿真实验,验证了所提方法的有效性和实用性,为新型电力系统环境下配电网的规划、运行与可靠性提升提供了有力的技术支撑和决策依据。; 适合人群:具备电力系统分析、概率统计及可靠性基础理论知识,熟悉Matlab编程语言,从事电力系统规划、运行、可靠性评估等相关工作的科研人员、高校研究生以及电力行业工程师。; 使用场景及目标:①掌握含分布式电源的现代配电网可靠性评估的核心理论与关键技术;②学习并实践基于序贯蒙特卡洛模拟的电力系统可靠性分析算法的Matlab实现方法;③为实际工程中分布式电源的优化配置、配电网的升级改造以及制定可靠性提升策略提供科学的仿真工具和量化分析依据。; 阅读建议:建议读者结合文中提供的Matlab代码,逐行阅读并运行程序,重点理解系统建模、状态抽样、潮流计算与指标统计等核心模块的实现逻辑。可尝试调整分布式电源的类型、容量、接入位置及负荷水平等参数,观察其对系统可靠性指标的影响趋势,从而深化对系统动态行为与关键影响因素的理解。

RS485 工业总线实战手册|DE/TC 方向控制时序 + 组网端接隔离 + 30 例故障速查

定位:把 485 当成「串口加两根线」,是所有故障的开始。它的差分电气、总线拓扑、方向控制时序,每一层都有自己的物理与规矩。10 章 + 5 附录,31 页 / 58 张表。 ① 分层认知:物理/器件/时序/协议四层,一帧的完整旅程八道关 ② 电气层:A/B 反接之谜(标准不定义字母)、共模红线、失效保护、偏置电阻完整计算 ③ 收发器选型:六款对照、真值表、传播延迟与假字节 ④ 方向控制:TXE 不是发完 TC 才是(第一判据)、完整代码、DMA+TC 中断版、应答首字节完整性 ⑤ 组网:手拉手唯一正解、120Ω 只在两端、分支长度、中继与集线器 ⑥ 距离与隔离:速率距离表、光耦选型账(PC817 不能跑 115200)、隔离电源 ⑦ 抗干扰:双绞/屏蔽单端接地、干扰源对号、TVS+GDT 防护参数、误码率测试把「稳」变数字 ⑧ 30 例故障速查(物理→时序→干扰→协议四层排列)+ 三个案例复盘 ⑨ 完整案例:一主三从轮询网络(主从两侧方向控制)+ 网络健康计数器寄存器 ⑩ 验收 15 条 + 40 条硬规则 + 现场十分钟快查表 附录:速率距离、收发器对照、索引、术语、检查表。 电气参数按 TIA/EIA-485-A 与数据手册口径;每个判据都能自己走一遍。

75-基于51单片机的指南针系统设计(设计+原理+程序+仿真).rar

项目75-基于51单片机的指南针系统设计 资料包括Proteus仿真+Keil程序+Altium Designer原理图+软件安装包+参考设计说明书+答辩PPT+设计流程图,保证资料完整性! 功能: (1)本指南针系统以STC89C52RC单片机为核心控制器,统筹地磁数据运算,保障方位识别逻辑精准稳定运行。 (2)采用HMC5883L三轴地磁传感器作为核心方位采集部件,实时检测空间磁场分量,换算出当前设备指向的方位角度。 (3)使用1.3寸OLED液晶屏实时显示当前方位角度与东西南北指向标识,界面清晰直观,方位数据刷新响应及时。 (4)配备8路LED方位指示灯与有源蜂鸣器作为执行装置,正北方向对准后对应指示灯亮起,同步触发短音完成指向提示。 (5)内置独立按键支持地磁数据校准操作,降低环境磁场干扰误差,电路结构简洁易复现,适配便携方位检测类毕设需求。

退出微软账户-解除微软账户绑定 .exe

退出微软账户_解除微软账户绑定小工具

移动应用畅销榜预测数据集10000款应用19特征

本数据集模拟移动应用商店的运营特征,包含10000款应用、19个字段、单CSV约937KB。字段覆盖应用类别(12类)、商业模式(免费、广告、内购、订阅、付费)、发布年份、内容分级、安装包大小、单次会话广告加载量、年更新次数、距上次更新天数、商店编辑推荐、买量支出、平均评分、次日与30日留存率,以及评分总数、累计下载量与营收等结果字段。提供top_grossing分类目标(营收前15%)与revenue_musd回归目标,结果字段独立分离,便于练习避免目标泄漏。数据完整无缺失、无需表关联,非线性效应与特征交互明显,调优后模型可超越朴素基线,兼具入门友好与研究深度,适合移动应用行业分析、商业化策略研究与机器学习教学。说明:本数据为Python生成的合成数据,仅反映生成规则,不含真实应用与个人信息。许可:CC0公有领域,可自由使用与二次分发。

大学生职业生涯规划.pptx

大学生职业生涯规划.pptx

chrome-headless-shell-linux64-160.0.8160.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8160.0 linux64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Linux 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器(Playwright/Puppeteer/Selenium 无界面自动化与爬虫的运行内核);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

基于SpringBoot的租房管理系统(源码+文档)

SpringBoot+Vue+Mysql租房管理系统 WEB端软件项目(源码+文档)--9 文章:https://blog.youkuaiyun.com/u010709330/article/details/170776192?sharetype=blogdetail&sharerId=170776192&sharerefer=PC&sharesource=u010709330&spm=1011.2480.3001.8118 项目包含:①完整源码(后端+管理后台+用户前台);②数据库脚本(db.sql 建库 + 演示数据.sql,导入即有多条真实感演示数据);③论文文档;④开题报告;⑤答辩PPT;⑥项目部署运行说明文档(含演示账号与导入步骤)。 项目架构: B/S 架构、MVC 分层设计 技术栈: Java、MySQL、SpringBoot、MyBatis-Plus、Token 权限校验、管理后台 Vue+ElementUI、用户前台 HTML+Vue+Layui、后台首页数据看板(SVG 图表)、Maven 构建。 专属视觉: 租房定制 LOGO 徽标(蓝渐变底+白色小屋钥匙孔)+ 住宅小区实景登录封面,前台/后台/登录页统一,细节更精致。 一、角色设计 租客: 注册登录、浏览房源与分类检索、预约看房、在线下单与支付、房源收藏、发布租客评价、留言反馈、个人中心等。 屋主: 房源发布与维护、预约看房审核、订单管理、发布屋主回复、屋主申诉提交等。 管理员: 租客管理、屋主管理、房源信息审核、订单信息管理、租客评价管理、屋主回复管理、屋主申诉处理、通知公告管理、留言板管理、轮播图管理、后台数据统计看板等。 二、前台功能模块(租客 / 屋主端) 1. 首页展示:全屏轮播图、房源信息一览、房屋资讯速递、房源搜索入口 .....

考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究(Matlab代码实现)

考虑一次调频以及二次调频和各机组调频特性的双目标风光水火储动态调度研究(Matlab代码实现)内容概要:本文研究了一种考虑一次调频、二次调频以及各机组调频特性的双目标优化模型,用于风光水火储多能互补系统的动态调度问题。该模型以系统运行成本最小化和新能源消纳最大化为双重优化目标,综合考虑了各类电源的出力特性、储能系统的充放电行为及电网频率响应要求。通过Matlab编程实现了完整的求解流程,采用多目标优化算法对复杂约束条件下的调度方案进行求解,并对不同场景下的调度结果进行仿真分析,验证了所提模型在提升系统经济性与稳定性方面的有效性。研究还探讨了储能系统在平抑新能源波动、参与频率调节中的关键作用,为高比例可再生能源接入下的电力系统调度提供了理论支持和技术路径。; 适合人群:具备一定电力系统基础知识和Matlab编程能力,从事新能源调度、电力系统优化等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决含多种能源形式的复杂电力系统在实际运行中的动态调度问题;②研究储能系统在调频和促进新能源消纳中的协同机制;③掌握多目标优化在电力系统调度中的建模与实现方法; 阅读建议:建议读者结合Matlab代码深入理解模型构建与求解过程,重点关注目标函数设计、约束条件处理及多目标折衷分析方法,同时可通过修改参数进行不同场景的仿真实验,以加深对系统动态行为的理解。

个人知识管理AI知识库平台规划方案(生态合作版).pptx

个人知识管理AI知识库平台规划方案(生态合作版).pptx

【期刊论文复现】不完全信息Epsilon纳什均衡的航天器末端追逃博弈策略(Matlab代码实现)

内容概要:本文基于Matlab/Simulink平台复现了一篇关于不完全信息下Epsilon纳什均衡的航天器末端追逃博弈策略的期刊论文,重点研究在信息不完全条件下航天器追击与逃逸双方的博弈决策机制。通过构建数学模型,引入Epsilon纳什均衡理论,设计相应的优化算法与仿真流程,实现对航天器追逃动态行为的模拟与分析。文中详细阐述了博弈模型的建立、均衡策略的求解方法及Matlab代码实现过程,展示了在特定初始条件与约束下,双方如何通过非合作博弈达到近似最优的运动轨迹,为航天器自主对抗任务提供理论支持与技术验证。; 适合人群:具备一定博弈论基础、控制理论背景和Matlab编程能力的研究生、科研人员及航空航天领域相关技术人员。; 使用场景及目标:①学习不完全信息博弈在航天动力学中的建模方法;②掌握Epsilon纳什均衡的概念及其在追逃问题中的应用;③通过复现论文代码深入理解算法实现细节与仿真验证流程。; 阅读建议:读者应结合博弈论与最优控制的基础知识,仔细研读论文推导过程,并动手运行与调试提供的Matlab代码,通过调整参数观察仿真结果的变化,以加深对追逃博弈动态特性和均衡策略鲁棒性的理解。

软件测试接口测试自动化示例2

内容概要:本文介绍了基于Python + requests + pytest的接口测试自动化实现方案,提供了一个可直接运行的工程化项目结构示例。内容涵盖请求客户端封装(支持重试机制、统一头信息)、全局fixture配置(实现环境隔离与token复用)、测试用例编写(含状态码断言与JSON Schema响应结构校验)以及数据驱动测试(通过YAML/JSON管理测试用例)。示例使用公开API进行验证,结构清晰,便于扩展和维护。; 适合人群:具备一定Python编程基础,从事测试或测试开发工作1-3年的技术人员,尤其是希望提升接口自动化测试工程化能力的人员。; 使用场景及目标:①构建可复用、易维护的接口自动化测试框架;②实现多环境支持、统一请求处理与认证机制;③通过Schema校验确保接口返回结构正确性;④采用数据驱动方式提高测试覆盖率与编写效率; 阅读建议:此资源侧重于实际项目结构设计与最佳实践,建议读者结合代码逐项实践,理解各模块职责划分,并尝试在本地运行调试,进一步扩展功能如报告生成、持续集成等。

串口Modbus-RTU组帧重连模板:C#产线RtuMaster+com0com零硬件调试

【内容概要】产线验证的C#串口Modbus-RTU主站模板:RtuMaster.cs完整类(字节流缓冲组帧治粘包半包、总线互斥、指数退避重连治USB拔插后设备不存在),附com0com虚拟串口零硬件调试指南与README。【适用人群】工控上位机开发者、C#通信层工程师、RS485/Modbus-RTU主站开发人员。【使用场景】①DataReceived事件读一次就解析导致半条报文拼尾巴、CRC偶发不过;②现场拔插USB转485后程序永远报设备不存在只能重启;③多从站轮询并发冲突。【使用方法】解压→RtuMaster.cs集成进工程(改串口号/从站地址/寄存器表)→无硬件时按com0com指南建虚拟串口对,配合从站模拟器零硬件自测。【其他说明】.NET/C#,代码含完整注释与产线坑清单,与本人博客《串口Modbus收到半条报文?拔插USB就死?》逐段对应。

【储能选址定容】基于多目标粒子群算法的配电网储能选址定容(Matlab代码实现)

内容概要:本文系统阐述了基于多目标粒子群算法(MOPSO)的配电网储能系统选址与定容方法,并配套提供了完整的Matlab代码实现。研究聚焦于在含分布式电源的复杂配电网中,科学规划储能装置的安装位置与配置容量,以实现多重优化目标的协同优化,包括降低网络有功损耗、改善节点电压质量、提升系统运行经济性与可靠性等。通过构建严谨的多目标优化数学模型,充分考虑系统潮流约束、电压幅值限制、设备容量边界等实际运行条件,利用MOPSO算法强大的全局寻优与多解并行搜索能力,高效求解出一组非劣的Pareto最优解集,为决策者提供灵活的方案选择。文中详细论述了算法的设计原理、模型构建过程、约束处理机制以及仿真结果的对比分析,充分验证了所提方法在典型配电网络(如IEEE标准算例)中的有效性与优越性。; 适合人群:具备一定电力系统分析、优化理论基础和Matlab编程能力的研究生、高校科研人员,以及从事智能电网、分布式能源系统规划、运行与控制的工程技术人员。; 使用场景及目标:①应用于新型电力系统背景下,含高比例可再生能源接入的配电网规划与运行优化;②为电网公司或能源投资企业开展储能项目的投资决策、容量论证与效益评估提供科学的技术支持与量化依据;③作为高等院校研究生课程或科研项目中的高质量教学案例,用于深入讲授多目标优化理论、智能优化算法(特别是粒子群算法)在电力工程实际问题中的建模与应用。; 阅读建议:建议读者务必结合所提供的Matlab代码进行动手实践,在复现仿真结果的过程中,深刻理解多目标优化问题的建模思想、粒子群算法的核心流程(如粒子更新、外部档案维护、拥挤度计算)以及Pareto前沿的生成与决策方法。鼓励读者在掌握基础模型后,尝试将其应用于不同的网络拓扑结构、引入新的优化目标(如碳排放)或约束条件,以进一步深化研究。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文构建了一个包含PWM控制VSC-HVDC链路的IEEE30节点电力传输系统,并基于Simulink平台完成了系统的建模仿真。该模型聚焦于高压直流输电(HVDC)技术在区域电网互联中的应用,采用电压源型换流器(VSC)与脉宽调制(PWM)技术实现高效、灵活的电能传输。研究重点在于分析VSC-HVDC链路在复杂多节点电网中对潮流分布、系统稳定性及电能质量的调控能力,特别关注其在区域电网互联、新能源大规模接入以及跨区域电力交换等场景下的动态响应特性与控制性能,为现代智能电网的发展提供技术支撑与仿真验证手段。; 适合人群:具备电力系统、电气工程或自动化等相关专业背景的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究VSC-HVDC在多节点电网(如IEEE30节点)中的建模与仿真方法;②分析PWM控制策略下HVDC链路对电网潮流分布、电压稳定性和故障穿越能力的影响;③为区域电网互联、新能源并网及智能电网调度等课题提供仿真基础和技术验证。; 阅读建议:此资源以Simulink仿真实现为核心,建议读者在掌握电力电子技术和电力系统分析基础知识的前提下,结合仿真模型深入理解VSC-HVDC的工作原理与控制策略。在学习过程中,应着重关注模型参数设置、控制环路设计及仿真结果的分析,以达到理论与实践相结合的目的。

上一篇: PIA Pandas 数据分析实战 9 GroupBy 对象
下一篇: EPY Effective Python 用 zip 函数同时遍历两个迭代器
__Py4Fi__
博客等级 码龄3年 69粉丝 6原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值