48、探索聚类集成技术性能极限与多特征相似性轮廓分组

探索聚类集成技术性能极限与多特征相似性轮廓分组

1. 聚类集成技术性能极限探索

在聚类集成技术中,我们关注如何衡量聚类结果的质量以及探索其性能极限。首先,定义了距离总和(SOD)的概念,对于一个聚类结果 $\tilde{P}$,其 SOD 为 $SOD(\tilde{P}) = \sum_{i=1}^{N} d(\tilde{P}, P_i)$,其中 $d$ 是距离函数,$P_i$ 是已知的分区。而最优分区 $P^ $ 的 SOD 为 $SOD(P^ ) = \sum_{i=1}^{N} d(P^ , P_i)$,并且有 $SOD(\tilde{P}) \geq SOD(P^ )$。

由于 $P^ $ 和 $SOD(P^ )$ 通常是未知的,我们采用一个下界 $\Gamma$ 来衡量 $\tilde{P}$ 的质量,即 $0 \leq \Gamma \leq SOD(P^*) \leq SOD(\tilde{P})$,用 $SOD(\tilde{P}) - \Gamma$ 来评估 $\tilde{P}$ 的质量。这个下界 $\Gamma$ 可以通过线性规划来计算,具体如下:
最小化 $x_1 + x_2 + \cdots + x_N$,约束条件为:
- 对于任意 $i, j \in {1, 2, \cdots, N}$,$i \neq j$,有
- $x_i + x_j \geq d(P_i, P_j)$
- $x_i + d(P_i, P_j) \geq x_j$
- $x_j + d(P_i, P_j) \geq x_i$
- 对于任意 $i \in {1, 2, \cdots, N}$,有 $x_i \geq 0$

计算得到的偏差 $\Delta = SOD(\tilde{P}) - \Gamma$ 可以提示 $\tilde{P}$ 的绝对准确性。如果 $\Delta \approx 0$,则说明对于当前数据集,几乎没有进一步改进的空间。

1.1 实验设置

为了研究下界 $\Gamma$,我们进行了一系列实验,实验设置包括以下几个方面:
- 度量距离函数 :选择了三种可证明为度量的距离函数,分别是:
- 信息方差 :$d_{vi}(P, Q) = H(P) + H(Q) - 2I(P, Q)$,其中 $H(P)$ 和 $H(Q)$ 分别是 $P$ 和 $Q$ 的熵,$I(P, Q)$ 是它们的互信息。
- van Dongen 度量 :$d_{vd}(P, Q) = 1 - \frac{1}{2n} \left( \sum_{C_p \in P} \max_{C_q \in Q} |C_p \cap C_q| + \sum_{C_q \in Q} \max_{C_p \in P} |C_q \cap C_p| \right)$
- Mirkin 度量 :设 $a$ 为在 $P$ 中共同聚类但在 $Q$ 中不共同聚类的模式对数量,$b$ 为在 $Q$ 中共同聚类但在 $P$ 中不共同聚类的模式对数量,则 $d_m(P, Q) = a + b$。
- 聚类集成方法 :使用了两种聚类集成方法:
- 证据积累方法(EAC - AL) :计算共现矩阵,将其解释为模式之间的新相似性度量,然后使用层次聚类算法得到共识分区,这里只报告平均链接变体的结果。
- 随机游走方法(RW) :同样基于共现矩阵,但采用随机游走分割算法产生最终聚类。
- 数据集 :使用了两个数据源的十一个数据集,包括九个 UCI 数据集和两个人工数据集,具体信息如下表所示:
| 数据集 | $n$ | # 属性 | # 聚类 |
| — | — | — | — |
| Iris | 150 | 4 | 3 |
| Wine | 178 | 13 | 3 |
| Breast | 683 | 9 | 2 |
| Optic | 1000 | 64 | 10 |
| Soy | 47 | 35 | 2 |
| Glass | 218 | 9 | 7 |
| Haberman | 306 | 3 | 2 |
| Mammo | 830 | 5 | 2 |
| Yeast | 1484 | 8 | 10 |
| 2D2K | 500 | 2 | 2 |
| 8D5K | 1000 | 8 | 5 |
- 测试协议 :对于给定的集成 $P$,使用 EAC - AL 或 RW 计算最终聚类 $\tilde{P}$,使用 $SOD(\tilde{P})$、下界 $\Gamma$ 和偏差 $\Delta’ = \frac{SOD(\tilde{P}) - \Gamma}{SOD(\tilde{P})}$(百分比)来表征性能。对于每个数据集,重复此过程十次并报告平均度量。

1.2 实验结果与讨论

实验结果如下表所示,偏差 $\Delta’$ 可以解释为进一步改进的潜力。
| 证据积累方法 EAC - AL | dvi | | | dvd | | | dm | | |
| — | — | — | — | — | — | — | — | — | — |
| 数据集 | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ |
| Iris | 8.22 | 7.24 | 12.0 | 2.26 | 2.16 | 4.3 | 27621 | 25113 | 9.1 |
| Wine | 2.01 | 1.86 | 7.7 | 0.35 | 0.33 | 5.1 | 7232 | 6777 | 6.3 |
| Breast | 1.16 | 1.08 | 7.3 | 0.16 | 0.15 | 3.8 | 71244 | 68392 | 4.0 |
| Optic | 7.50 | 6.37 | 15.0 | 2.06 | 1.85 | 10.0 | 378439 | 315016 | 16.8 |
| Soy | 3.90 | 3.79 | 2.9 | 1.65 | 1.62 | 1.9 | 1616 | 1591 | 1.6 |
| Glass | 5.20 | 4.66 | 10.4 | 1.37 | 1.24 | 9.4 | 39909 | 33939 | 15.8 |
| Haberman | 7.60 | 7.58 | 0.3 | 2.84 | 2.84 | 0.0 | 233417 | 232994 | 0.2 |
| Mammo | 1.77 | 1.77 | 0.0 | 0.38 | 0.38 | 0.0 | 248649 | 248649 | 0.0 |
| Yeast | 13.94 | 11.40 | 18.3 | 3.85 | 3.34 | 13.4 | 3512666 | 3010184 | 14.3 |
| 2D2K | 4.86 | 4.69 | 3.0 | 1.18 | 1.15 | 3.0 | 1037580 | 978050 | 5.7 |
| 8D5K | 4.97 | 4.91 | 1.8 | 1.69 | 1.66 | 2.0 | 585462 | 579262 | 1.1 |
| 随机游走方法 RW | dvi | | | dvd | | | dm | | |
| 数据集 | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma$ | $\Delta’(\%)$ |
| Iris | 8.40 | 7.24 | 13.8 | 2.28 | 2.16 | 5.2 | 28067 | 25113 | 10.5 |
| Wine | 2.09 | 1.86 | 10.0 | 0.35 | 0.33 | 4.5 | 7242 | 6777 | 5.8 |
| Breast | 1.49 | 1.08 | 27.7 | 0.20 | 0.15 | 23.9 | 90032 | 68392 | 24.0 |
| Optic | 11.38 | 6.37 | 44.0 | 3.90 | 1.85 | 50.9 | 749459 | 315016 | 57.7 |
| Soy | 6.19 | 3.79 | 36.9 | 4.08 | 1.62 | 52.0 | 3433 | 1591 | 49.3 |
| Glass | 7.96 | 4.66 | 41.1 | 2.53 | 1.24 | 45.9 | 69186 | 33940 | 49.3 |
| Haberman | 7.70 | 7.58 | 1.5 | 2.86 | 2.84 | 0.7 | 234484 | 232995 | 0.6 |
| Mammo | 1.77 | 1.77 | 0.0 | 0.38 | 0.38 | 0.0 | 248650 | 248650 | 0.0 |
| Yeast | 18.60 | 11.40 | 38.2 | 10.51 | 3.34 | 67.5 | 6606869 | 3010185 | 53.4 |
| 2D2K | 4.69 | 4.69 | 0.0 | 1.15 | 1.15 | 0.0 | 978050 | 978050 | 0.0 |
| 8D5K | 5.24 | 4.91 | 5.9 | 2.43 | 1.66 | 15.0 | 721412 | 579262 | 11.3 |

对于 Haberman、Mammo 和 2D2K 三个数据集,$SOD(\tilde{P})$ 几乎达到了下界 $\Gamma$,这表明几乎没有进一步改进的空间。而对于偏差较大的情况,可能是下界不够紧或者计算得到的解 $\tilde{P}$ 离最优解 $P^*$ 还很远。在这种情况下,我们可以生成更多的集成并计算更多的共识聚类候选,然后使用 $SOD$ 来选择最终解。

此外,不同的距离函数可能会导致偏差值不一致,这是因为不同的距离函数对相似性的看法不同,用户需要根据具体的数据聚类任务选择更合适的距离函数。

对于 Mirkin 距离 $d_m$,还定义了一个特定的下界 $\Gamma_m$:
$\Gamma_m = \sum_{i<j} \min \left( \sum_{k=1}^{N} X_{ij}^{(k)}, N - \sum_{k=1}^{N} X_{ij}^{(k)} \right)$
其中 $X_{ij}^{(k)}$ 是一个伯努利随机变量,如果 $x_i$ 和 $x_j$ 在分区 $P_k$ 中共同聚类,则为 1,否则为 0。比较 $\Gamma$ 和 $\Gamma_m$ 的结果如下表所示:
| 数据集 | $\Gamma$ | $\Gamma_m$ | $(\Gamma_m - \Gamma)/\Gamma(\%)$ |
| — | — | — | — |
| Iris | 25113 | 26377 | 5.0 |
| Wine | 6777 | 6820 | 0.6 |
| Breast | 68392 | 71196 | 4.1 |
| Optic | 315016 | 335678 | 6.6 |
| Soy | 1591 | 1599 | 0.5 |
| Glass | 33940 | 34513 | 1.7 |
| Haberman | 232995 | 233273 | 0.1 |
| Mammo | 248650 | 248650 | 0.0 |
| Yeast | 3010185 | 3224160 | 7.1 |
| 2D2K | 978050 | 1168728 | 8.4 |
| 8D5K | 579262 | 584848 | 1.0 |

可以看到,在没有 $d_m$ 的具体知识的情况下,基于一般度量性质的下界 $\Gamma$ 几乎接近 $\Gamma_m$。

2. 多特征相似性轮廓分组

在计算机视觉领域,轮廓分组是一项关键任务,它从低级图像特征中提取有意义的对象信息,并为后续处理提供输入。传统上,许多聚类算法使用成对相似性度量,但由于自然图像中的噪声和背景杂乱等复杂因素,这些算法往往不够鲁棒,无法生成与人类感知的视觉对象一致的分组结果。

我们提出在基于信息的聚类框架下,利用多特征相似性来提高分组性能,并与使用成对相似性的其他聚类方法进行比较。

轮廓分组可以看作是一个聚类过程,根据格式塔感知组织定律,可以计算任意一对边缘元素(edgels)之间的相似性,因此大多数方法使用成对相似性矩阵作为聚类过程的输入。然而,成对相似性在捕捉全局数据结构方面存在局限性,无监督识别过程对特征描述的质量非常敏感,并且会受到背景中噪声特征的显著影响。

信息聚类(Iclust)通过利用集体而非成对的相似性度量,为数据关系提供了更灵活的描述。我们建议使用集体相似性度量,即多特征相似性,作为聚类过程的输入信息,并将分组结果与成对相似性产生的结果进行比较。

综上所述,聚类集成技术中的下界 $\Gamma$ 为评估聚类结果的质量和探索性能极限提供了一种有效的方法,而多特征相似性在轮廓分组中有望提高分组性能,为计算机视觉领域的相关任务带来更好的效果。

3. 加权聚类集成技术的扩展

聚类集成技术可以通过为每个涉及的分区 $P_i$ 分配一个权重 $w_i$ 来扩展,这个权重代表了分区的估计相对优点。加权中位数分区问题可以表述为:$P^* = \arg \min_{P \in P_X} \sum_{i=1}^{N} w_i \cdot d(P, P_i)$ ,这里假设较小的权重意味着更有利的分区。

线性规划下界 $\Gamma$ 可以很容易地扩展到处理加权聚类集成问题,得到下界 $\Gamma_w$ ,具体如下:
最小化 $w_1 \cdot x_1 + w_2 \cdot x_2 + \cdots + w_N \cdot x_N$,约束条件为:
- 对于任意 $i, j \in {1, 2, \cdots, N}$,$i \neq j$,有
- $x_i + x_j \geq d(P_i, P_j)$
- $x_i + d(P_i, P_j) \geq x_j$
- $x_j + d(P_i, P_j) \geq x_i$
- 对于任意 $i \in {1, 2, \cdots, N}$,有 $x_i \geq 0$

许多聚类集成方法可以很容易地集成这些权重。例如,在基于共现的技术(如 EAC - AL 和 RW)中,可以在计算共现矩阵时完成这一操作,这里我们仅使用了簇间距离作为权重。

3.1 加权算法的性能

加权算法的性能指标如下表所示:
| 加权证据积累方法 EAC - AL | dm | | | dvd | | | dvi | | |
| — | — | — | — | — | — | — | — | — | — |
| 数据集 | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ |
| Iris | 0.78 | 0.68 | 12.1 | 0.21 | 0.12 | 4.5 | 2599 | 2356 | 9.2 |
| Wine | 0.20 | 0.19 | 7.5 | 0.04 | 0.03 | 5.0 | 723 | 678 | 6.2 |
| Breast | 0.12 | 0.11 | 7.3 | 0.02 | 0.02 | 3.8 | 7119 | 6834 | 4.0 |
| Optic | 0.75 | 0.64 | 14.7 | 0.21 | 0.19 | 9.7 | 36742 | 31492 | 13.9 |
| Soy | 0.39 | 0.38 | 2.2 | 0.16 | 0.16 | 1.4 | 160 | 158 | 1.2 |
| Glass | 0.52 | 0.47 | 10.5 | 0.14 | 0.12 | 9.6 | 3996 | 3423 | 12.5 |
| Haberman | 0.77 | 0.76 | 1.5 | 0.29 | 0.29 | 0.8 | 23754 | 23303 | 1.9 |
| Mammo | 0.17 | 0.17 | 0.0 | 0.04 | 0.04 | 0.0 | 23794 | 23794 | 0.0 |
| Yeast | 1.40 | 1.14 | 18.4 | 0.38 | 0.33 | 13.2 | 353189 | 299571 | 15.0 |
| 2D2K | 0.52 | 0.52 | 0.0 | 0.13 | 0.13 | 0.0 | 107322 | 107834 | 0.0 |
| 8D5K | 0.49 | 0.48 | 1.3 | 0.16 | 0.16 | 1.6 | 56825 | 56218 | 1.0 |
| 加权随机游走方法 RW | dm | | | dvd | | | dvi | | |
| 数据集 | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ | $SOD(\tilde{P})$ | $\Gamma_w$ | $\Delta’(\%)$ |
| Iris | 0.81 | 0.68 | 16.0 | 0.22 | 0.20 | 9.1 | 2753 | 2356 | 14.4 |
| Wine | 0.64 | 0.19 | 70.8 | 0.11 | 0.03 | 70.8 | 2303 | 677 | 70.6 |
| Breast | 0.22 | 0.11 | 50.6 | 0.03 | 0.02 | 50.5 | 13819 | 6834 | 50.5 |
| Optic | 1.12 | 0.64 | 43.0 | 0.36 | 0.19 | 46.0 | 55409 | 31492 | 42.2 |
| Soy | 0.52 | 0.38 | 25.5 | 0.39 | 0.16 | 47.6 | 307 | 157 | 42.3 |
| Glass | 0.85 | 0.47 | 44.7 | 0.30 | 0.13 | 51.9 | 6436 | 3422 | 42.5 |
| Haberman | 0.80 | 0.76 | 4.3 | 0.29 | 0.29 | 1.4 | 24101 | 23303 | 3.3 |
| Mammo | 0.17 | 0.17 | 0.0 | 0.04 | 0.04 | 0.0 | 23794 | 23794 | 0.0 |
| Yeast | 1.85 | 1.14 | 38.8 | 1.02 | 0.33 | 66.7 | 511552 | 299571 | 40.8 |
| 2D2K | 0.52 | 0.52 | 0.9 | 0.13 | 0.13 | 0.9 | 108495 | 107833 | 0.5 |
| 8D5K | 0.52 | 0.48 | 5.8 | 0.24 | 0.16 | 15.0 | 70603 | 56218 | 11.3 |

与未加权的结果相比,变化不大。对于 Haberman、Mammo 和 2D2K 三个数据集,$SOD(\tilde{P})$ 再次几乎达到了下界 $\Gamma_w$,这表明几乎没有进一步改进的空间。而对于偏差较大的情况,我们同样可以将偏差作为继续优化的提示。

4. 讨论与结论
  • 下界 $\Gamma$ 的有效性 :在某些情况下,计算得到的解可以(几乎)达到下界 $\Gamma$,这意味着对于特定数据集,在使用的距离函数下,几乎没有进一步改进的空间。较大的偏差可能表示有一定的改进潜力,但这种潜力是不确定的,可作为继续优化的提示。
  • 加权方法的表现 :加权聚类集成方法的结果与未加权的情况类似,对于部分数据集,下界仍然非常紧,说明加权方法在一定程度上也能有效评估聚类结果的质量。
  • 特殊距离函数下的下界 :在 Mirkin 距离 $d_m$ 的情况下,通过与特定下界 $\Gamma_m$ 比较,发现基于一般度量性质的下界 $\Gamma$ 几乎能达到 $\Gamma_m$,这表明 $\Gamma$ 具有较好的通用性。
4.1 对非度量距离函数的扩展

定义下界 $\Gamma$ 时假设了度量距离函数 $d()$,其三角形不等式排除了一些特殊情况。但在实践中,可能存在不满足三角形不等式的距离函数。有研究将度量的概念扩展到了松弛的三角形不等式:$d(P, R) + d(R, Q) \geq \frac{d(P, Q)}{1 + \epsilon}$,其中 $\epsilon$ 是一个小的非负常数,这在数学中也称为拟度量。

只要 $\epsilon$ 不是很大,松弛的三角形不等式仍然保留了人类对相似性的直觉。通过相应地改变线性规划中的不等式,下界 $\Gamma$ 可以很容易地扩展到拟度量距离函数,这种扩展后的下界有望在基于拟度量的聚类集成方法中发挥作用。

整个研究过程可以用以下 mermaid 流程图表示:

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px

    A([开始]):::startend --> B(选择数据集):::process
    B --> C(选择聚类集成方法):::process
    C --> D(选择度量距离函数):::process
    D --> E(计算最终聚类 $\tilde{P}$):::process
    E --> F(计算 $SOD(\tilde{P})$、$\Gamma$ 和 $\Delta'$):::process
    F --> G{$\Delta'$ 是否接近 0?}:::decision
    G -->|是| H(几乎无改进空间):::process
    G -->|否| I(生成更多集成并计算候选解):::process
    I --> J(使用 $SOD$ 选择最终解):::process
    H --> K(结束评估):::process
    J --> K
    K --> L([结束]):::startend

综上所述,聚类集成技术中的下界 $\Gamma$ 为评估聚类结果的质量和探索性能极限提供了一种有效的方法,无论是在普通聚类集成还是加权聚类集成中都有重要作用。而多特征相似性在轮廓分组中有望解决传统聚类方法的不足,提高分组性能。同时,下界 $\Gamma$ 对拟度量距离函数的扩展也为处理更复杂的实际情况提供了可能。

【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

相关推荐

DuCut_1794620715264_806.mp4

DuCut_1794620715264_806.mp4

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。

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。

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。

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

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。

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

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。

大学生职业生涯规划.pptx

大学生职业生涯规划.pptx

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。

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。

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。

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 .....

【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。

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

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。

【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: 7、定向钻井井眼轨迹设计应用程序的开发
下一篇: 波动与色散特性及小波变换应用解析
gitlab7runner
博客等级 码龄4年 78粉丝 1747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  | 博主筛选后可见
 
 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