Crash Course(一)

本文介绍了计算机的发展历程。早期有算盘、步进计算器、差分机、分析机和打孔卡片制表机等,它们提升了计算能力。电子计算机阶段经历了继电器、真空管和晶体管,继电器有机械臂开关大等缺点,真空管易烧坏,而晶体管具有固态、速度快、体积小等优点。

1.计算机早期历史
算盘-步进计算器-差分机-分析机-打孔卡片制表机
算盘:早期因为人们社会规模的加快,超出了人们的心算能力。
工具的发明要么是解放人的体力,要么是解放人的智力。
算盘:算盘等计算器的出现让原先很费力的事变得更快,更简单,更精确,降低了门槛,加强了我们的计算能力

步进计算器:第一台可以做加减乘除运算的机器

分析机可以输入数据进行一系列的计算,这一系列的计算就是程序

打孔卡片制表机:人口普查费时费力。打孔卡片制表机在纸上打孔,然后把纸输入机器里,机器会自动统计符合条件的人数(比如男女各自数量)再用纸输出结果。

2、 电子计算机
继电器-真空管-晶体管
1)继电器:用电控制的机械开关。
在这里插入图片描述

控制电路连接着一个线圈。当电流通过线圈,线圈产生电磁场,吸引开关闭合电路。(类似于水龙头开关)
继电器的缺点:机械臂开关大,慢;会磨损;还招虫(bug的由来)
2)热电子管
在这里插入图片描述

把两个电机装在一个气密(真空)的玻璃灯泡里,其中一个电极可以加热,从而发射电子;另一个电极会吸引电子,形成电流。但是只有带正电才行,否则电子没法被吸引,越过真空领域。所以电流只能单向流动的电子部件叫做“二极管”。
但我们需要一个像继电器的控制线圈一样控制电流开关的东西。
在这里插入图片描述

加入正电荷,电子可以流动;加入负电荷,电子不能流动。
而且真空管里没有会动的组件,所以减少了磨损;每秒钟可以开合数千次“三极真空管”
真空管的缺点:脆弱,像灯泡一样会被烧坏
(世界上第一个真正的通用,可编程,电子计算机:ENIAC)

3)晶体管
在这里插入图片描述
晶体管里有两个电极,中间有一种材料隔开他们,这种材料有时候导电有时候不导电。(半导体)
晶体管的优点:固态,坚硬些;快;远远小于继电器或真空管

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为种经典的监督学习方法,其基本原理是通过在高维特征空间中构造个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

灰海宽松

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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