- 博客(1)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 PyBaMM电池仿真入门（一）
PyBaMM(Python Battery Mathematical Modelling)是一个开源的电池仿真功能包，旨在加速电建模的研究。广义上，PyBaMM包含三个部分：①、用于编写和求解微分方程组的框架 ②、丰富的电池模型和参数库 ③、模拟实验结果和可视化的工具同时，PyBaMM有极强的灵活性和可拓展性，基于python的开发环境，使得PyBaMM可以方便快捷的与python中其他的功能包进行融合使用，极大的提高了电池建模和仿真，以及数据分析的效率。
2023-03-22 21:57:38
5869
6
predictions-deep-learning-gccnflowmodel.xlsx
predictions-deep-learning-gccnflowmodel.xlsx
2026-03-16
ClassConditionedAuto-Encode
内容概要：本文提出了一种基于类条件自编码器（C2AE）的开集识别方法，旨在解决传统分类模型在面对训练阶段未见类别时强制将其归类为已知类别的局限性。该方法将开集识别任务分解为两个子任务：闭集分类与开集识别（即判断样本是否属于未知类）。编码器负责学习闭集分类，而解码器则通过基于类别标签的条件重构来区分已知与未知类，利用重构误差并结合极值理论（EVT）建模以确定判别阈值。实验表明，该方法在多个图像数据集上显著优于现有先进方法。;
适合人群：具备机器学习与深度学习基础的研究人员及计算机视觉方向的研究生。;
使用场景及目标：①提升开放环境中分类系统的鲁棒性，有效识别未知类样本；②应用于安全敏感领域如人脸识别、异常检测等需拒绝未知输入的场景；③为开放集识别任务提供新的网络架构与训练范式参考。;
阅读建议：建议结合文中图示与算法流程深入理解两阶段训练机制，重点关注条件重构策略与EVT阈值计算的实现细节，可复现实验部分以验证方法有效性。
2026-03-03
predictions-deep-learning-compressedflowmodel.xlsx
predictions-deep-learning-compressedflowmodel.xlsx
2026-04-30
predictions-deep-learning-gccnflowmodel-train.xlsx
predictions-deep-learning-gccnflowmodel-train.xlsx
2026-04-24
predictions-deep-learning-gccnflowmodel.xlsx
predictions-deep-learning-gccnflowmodel.xlsx
2026-04-17
predictions-deep-learning-gccnflowmodel.xlsx
predictions-deep-learning-gccnflowmodel.xlsx
2026-03-17
如何使用simulink，以差速小车作为被控对象，设定pid控制器控制其方向？
2022-05-23
pid怎么控制多输入系统
2022-05-23
TA创建的收藏夹 TA关注的收藏夹
TA关注的人