<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[corn1949的博客]]></title><description><![CDATA[MATLAB代码技术顾问]]></description><link>https://blog.youkuaiyun.com/corn1949</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; corn1949]]></copyright><item><title><![CDATA[【硬核推导+源码复现】永磁同步电机（PMSM）矢量控制（FOC）全流程解析：数学建模、PI参数整定与七段式SVPWM仿真]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/168143477</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/168143477</guid><author>corn1949</author><pubDate>Fri, 16 Oct 2026 20:04:43 +0800</pubDate><description><![CDATA[永磁同步电机（PMSM）磁场定向控制（Field-Oriented Control, FOC）是现代高性能伺服与新能源汽车电驱系统的核心基石。本文拒绝“只会连线调参”的黑盒式教程，从三相自然坐标系（ABC）出发，完整推导等幅值 Clarke 与 Park 坐标变换矩阵、]]></description><category></category></item><item><title><![CDATA[Simulink 采样时间求解器与代数环完整 MATLAB 示例]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/168143431</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/168143431</guid><author>corn1949</author><pubDate>Fri, 16 Oct 2026 19:49:58 +0800</pubDate><description><![CDATA[低通递推为 y[k]=a·y[k−1]+(1−a)u[k]，a=exp(−Ts/τ)，τ=0.1 s，历史初值 y[−1]=0。模型无连续状态，使用 FixedStepDiscrete，固定步长 h=Ts，仿真 0 至 6 s。源已经离散化，同速率保持器仅明确保持边界，不会再次降采样。采样周期改变离散模型获得的信息，求解器步长决定仿真推进方式，代数环则涉及同一时刻的计算依赖。本文用一阶离散低通模型对比 5、20、80 ms 三种采样周期，并用递推式核对 Simulink 日志。% 正弦源使用相同采样周期；]]></description><category></category></item><item><title><![CDATA[Simulink PI 参数扫描与批量仿真完整 MATLAB 代码]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/168143418</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/168143418</guid><author>corn1949</author><pubDate>Fri, 16 Oct 2026 19:48:21 +0800</pubDate><description><![CDATA[求解器为 ode4，固定步长 0.01 s，仿真时间 0 至 10 s。程序串行运行，不启动并行池。被控对象为 G(s)=1/(s+1)，控制器为 C(s)=Kp+Ki/s，采用单位负反馈与零初值。扫描 Kp=[0.5,1,2,4]、Ki=[0.5,1,2]，共 4×3=12 组。本文把 PI 闭环的 12 组参数交给同一个函数串行仿真，统一计算指标、记录失败原因，并导出曲线和排序表。% 清理函数：仅关闭本函数创建的模型，不保存临时仿真覆盖参数。% 本地函数：创建 PI 负反馈模型，参数保存在模型工作区。]]></description><category></category></item><item><title><![CDATA[MATLAB 自动搭建 Simulink PID 闭环模型及完整代码]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/168142440</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/168142440</guid><author>corn1949</author><pubDate>Fri, 16 Oct 2026 19:46:25 +0800</pubDate><description><![CDATA[需要 MATLAB 与 Simulink，代码以 R2020a 及更新版本为保守语法目标，未逐版本认证。被控对象为 G(s)=1/(s²+2s+1)，误差为 e=r−y。控制器由比例、积分与带滤波微分三条支路组成：C(s)=Kp+Ki/s+Kd·N·s/(s+N)。使用 ode45 变步长求解器，最大步长为 0.01 s，相对容差 10⁻⁶，绝对容差 10⁻⁸。% 添加模块并直接写入数值参数，使保存后的模型不依赖脚本变量。% 取阶跃后观察窗口的最后 10%，使用积分除时长求平均误差。]]></description><category></category></item><item><title><![CDATA[Python Pandas数据分析入门指南]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/161255287</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/161255287</guid><author>corn1949</author><pubDate>Sat, 13 Jun 2026 22:52:24 +0800</pubDate><description><![CDATA[这篇Python Pandas数据分析入门指南介绍了Pandas库的基本使用方法。主要内容包括：Pandas核心数据结构Series和DataFrame的创建、数据文件的读取与保存、数据筛选与统计、数据清洗技巧以及数据透视表制作。文章提供了详细的代码示例，从基础操作到进阶功能，并附有实验结果表格和难度评级。最后强调Pandas是Python数据分析的基础工具，掌握其核心操作能显著提升数据处理效率。适合Python数据分析初学者快速入门。]]></description><category></category></item><item><title><![CDATA[Python Matplotlib数据可视化实战指南]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/161255441</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/161255441</guid><author>corn1949</author><pubDate>Sat, 13 Jun 2026 22:52:04 +0800</pubDate><description><![CDATA[Matplotlib是Python可视化的基础库，通过合理选择图表类型和精心设计样式，可以制作出专业的数据分析报告。标签: Python | Matplotlib | Seaborn | 数据可视化 | 图表。]]></description><category></category></item><item><title><![CDATA[Python NumPy数值计算核心指南]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/161256184</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/161256184</guid><author>corn1949</author><pubDate>Sat, 13 Jun 2026 22:51:53 +0800</pubDate><description><![CDATA[NumPy是Python科学计算的核心库，提供高性能多维数组对象及操作工具。本文介绍了NumPy数组的基础操作、创建方法（如np.array、np.zeros）、索引切片、数学运算（加减乘除、统计函数）、矩阵运算（点积、转置、特征值）、形状操作（reshape、concatenate）和广播机制。通过代码示例展示了常用功能，并附有函数速查表。掌握这些核心知识点能高效完成数值计算任务，NumPy是数据处理和科学计算的重要基础工具。]]></description><category></category></item><item><title><![CDATA[Python数据清洗与预处理实战]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/161256915</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/161256915</guid><author>corn1949</author><pubDate>Sat, 13 Jun 2026 22:51:35 +0800</pubDate><description><![CDATA[本文介绍了Python数据清洗与预处理的实战方法。主要内容包括：缺失值检测与处理（删除/填充）、重复值处理、数据类型转换、字符串处理、数据标准化/归一化、数据合并和异常值检测等。通过Pandas和Sklearn等工具，展示了从原始数据到规范化数据的完整流程，并提供了清洗前后数据质量的对比。数据预处理约占数据分析项目60%-80%的工作量，掌握这些核心技能对提升数据质量至关重要。文章适用于需要处理结构化数据的数据分析师和Python开发者。]]></description><category></category></item><item><title><![CDATA[Python数据分析项目实战：销售数据仪表盘]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/161257369</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/161257369</guid><author>corn1949</author><pubDate>Sat, 13 Jun 2026 22:51:11 +0800</pubDate><description><![CDATA[本项目完整展示了Python数据分析的典型流程：数据加载→清洗→特征工程→可视化分析→业务洞察。掌握了这些技能，可以快速迁移到其他行业的数据分析项目中。标签: Python | 数据分析 | Pandas | Matplotlib | 销售分析 | 仪表盘。]]></description><category></category></item><item><title><![CDATA[【智能优化】无穷优化算法(INFO)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927802</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927802</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:10:49 +0800</pubDate><description><![CDATA[本文介绍了2024年提出的新型元启发式算法——无穷优化算法(INFO)，该算法创新性地将数学中的无穷概念融入优化过程。INFO通过&quot;无限趋近&quot;和&quot;无限远离&quot;两种策略平衡搜索的探索与开发能力，其核心数学模型包含基于无穷因子的位置更新公式。文章提供了完整的Python实现代码，包括种群初始化、无穷因子计算和位置更新机制，并以Schwefel函数为例展示了算法应用。实验结果表明，INFO在Sphere等测试函数上表现良好，具有收敛速度快、参数调节简单等特点，特别适合处理高维]]></description><category></category></item><item><title><![CDATA[【智能优化】鹈鹕优化算法(POA)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927837</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927837</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:07:47 +0800</pubDate><description><![CDATA[鹈鹕优化算法(POA)是一种2023年提出的新型元启发式算法，模拟鹈鹕觅食行为。算法包含水面搜索和俯冲捕食两个阶段：水面搜索阶段采用随机探索策略，俯冲捕食阶段通过递减因子控制局部搜索深度。Python实现展示了POA在Sphere、Griewank等测试函数上的优异表现，具有参数少、收敛快的特点。实验结果表明POA能有效平衡全局探索与局部开发，是一种简单高效的优化方法。]]></description><category></category></item><item><title><![CDATA[【智能优化】蜥蜴优化算法(LSO)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927877</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927877</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:05:51 +0800</pubDate><description><![CDATA[本文介绍了2023年提出的蜥蜴优化算法(LSO)，该算法模拟蜥蜴的捕食行为和逃跑策略进行优化。LSO包含捕食、逃跑和休息三种策略，通过数学模型实现位置更新。文章提供了Python实现代码，并在Sphere、Levy等测试函数上验证了算法性能。实验表明LSO具有参数少、实现简单、收敛快等特点，适用于连续优化问题。该算法通过平衡探索与开发，展现出良好的优化能力。]]></description><category></category></item><item><title><![CDATA[【智能优化】萤火虫算法(FA)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927905</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927905</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:05:01 +0800</pubDate><description><![CDATA[基于萤火虫发光的自然启发亮度和吸引度机制引导搜索参数调节相对简单全局搜索能力较强。]]></description><category></category></item><item><title><![CDATA[【智能优化】细菌觅食优化算法(BFOA)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927940</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927940</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:03:30 +0800</pubDate><description><![CDATA[本文介绍了细菌觅食优化算法(BFOA)的原理与Python实现。BFOA模拟大肠杆菌的觅食行为，通过趋化、复制和消除扩散三个核心过程进行优化。文章详细阐述了算法数学模型，包括趋化步骤公式和适应度评估方法，并提供了完整的Python实现代码。该算法适用于复杂优化问题，但参数调节较为复杂。实验结果表明BFOA具有良好的优化性能，文末还给出了关键参数的设置建议。]]></description><category></category></item><item><title><![CDATA[【智能优化】蛇优化算法(SO)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927972</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927972</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:02:46 +0800</pubDate><description><![CDATA[摘要：蛇优化算法(SO)是2024年提出的新型元启发式算法，模拟蛇类繁殖和觅食行为。算法通过温度因子和食物可用性动态调整搜索策略，在基准测试中展现出良好性能。本文详细介绍了SO的数学模型，包括觅食和繁殖两种行为模式，并提供了完整的Python实现代码。实验结果表明，SO在Sphere等测试函数上能快速收敛到最优解。该算法具有搜索策略动态调整、全局与局部搜索平衡等优点，是值得关注的新型优化算法。]]></description><category></category></item><item><title><![CDATA[【智能优化】杜鹃搜索算法(CSA)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160928040</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160928040</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 14:01:54 +0800</pubDate><description><![CDATA[本文介绍了杜鹃搜索算法(CSA)的原理与Python实现。CSA是一种基于杜鹃鸟巢寄生行为的元启发式优化算法，通过模拟Lévy飞行和巢穴发现机制进行全局优化。文章详细阐述了算法数学模型，包括Lévy飞行更新公式和巢穴发现机制，并提供了完整的Python实现代码。实验结果表明，CSA在Sphere等测试函数上表现良好，具有收敛速度快、参数少等优点。最后给出了关键参数设置建议，并总结了CSA的特点和适用场景。该算法特别适合解决高维优化问题。]]></description><category></category></item><item><title><![CDATA[【智能优化】蝴蝶优化算法(BOA)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160928007</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160928007</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 13:59:26 +0800</pubDate><description><![CDATA[蝴蝶优化算法(BOA)是一种模拟蝴蝶觅食行为的元启发式优化算法，通过香味感知机制实现全局和局部搜索的动态切换。算法核心包括香味强度公式f=cI^a和两种搜索策略：全局搜索向最优解移动，局部搜索随机探索。Python实现展示了BOA的参数设置和优化过程，实验表明其在Sphere等测试函数上表现优异。BOA具有参数少、易于实现的特点，适用于各类优化问题。]]></description><category></category></item><item><title><![CDATA[【智能优化】风驱动优化算法(WDO)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160928209</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160928209</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 13:58:37 +0800</pubDate><description><![CDATA[风驱动优化算法(WDO)是一种模拟大气粒子运动的元启发式优化算法，通过气压梯度力、科里奥利力等物理机制实现全局优化。本文介绍了WDO的物理模型和数学原理，包括速度更新公式和位置更新公式，并提供了完整的Python实现代码。实验结果表明，WDO在Sphere、Ackley等测试函数上表现良好，具有较快的收敛速度。与其他优化算法相比，WDO基于独特的物理模型，参数较少，适合连续优化问题。该算法将大气物理学原理与优化技术相结合，为智能优化领域提供了一种新颖的解决方案。]]></description><category></category></item><item><title><![CDATA[【智能优化】霜冰优化算法(RIME)原理与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160927762</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160927762</guid><author>corn1949</author><pubDate>Sun, 10 May 2026 13:58:06 +0800</pubDate><description><![CDATA[霜冰优化算法(RIME)是一种2023年提出的新型元启发式算法，模拟霜冰形成的物理过程。算法通过硬规则渗透和软规则扩散两种机制实现优化：硬规则阶段引导解向最优解靠近，软规则阶段促进局部搜索。Python实现展示了算法框架，实验结果表明RIME在Sphere、Rastrigin等测试函数上表现良好，具有参数少、实现简单的特点。与其他算法相比，RIME在全局搜索和局部开发能力上表现均衡，适用于多种优化问题。该算法为优化领域提供了新的思路和方法。]]></description><category></category></item><item><title><![CDATA[麻雀搜索算法(SSA)原理详解与Python实现]]></title><link>https://blog.youkuaiyun.com/corn1949/article/details/160897473</link><guid>https://blog.youkuaiyun.com/corn1949/article/details/160897473</guid><author>corn1949</author><pubDate>Fri, 08 May 2026 21:51:44 +0800</pubDate><description><![CDATA[麻雀搜索算法(SSA)是一种模拟麻雀觅食行为的元启发式优化算法，将群体分为发现者、追随者和警戒者三类角色。算法通过位置更新公式实现优化：发现者负责探索食物源，追随者跟随觅食，警戒者感知危险。Python实现展示了SSA在Sphere等测试函数上的优异表现，收敛速度快且精度高。实验表明，SSA在收敛速度和全局搜索能力上优于PSO、GWO等算法，仅需3个参数调节，适合解决复杂优化问题。]]></description><category></category></item></channel></rss>