判断磁盘空间

bool MainWindow::outputDiskSpace(const QString& strDestination,const QModelIndexList& lstConvertItems)
{
    FfVideoModel* pFfVideoModel = ui->ffVideoForm->ffVideoModel();
    FfVideoModelItem* pItem = NULL;
    // 选出下一个可用项
    int v=0,a=0,l_time=0;
    unsigned   __int64 total=0;
    for (int i=0;i<lstConvertItems.size();i++)
    {

        QModelIndex index = lstConvertItems.at(i);
        pItem = pFfVideoModel->itemByModelIndex(index);
        int m_nOutputIndex=0;

        // 通过output决定
        COOutput* pOOutput = pItem->output(m_nOutputIndex, true);

        CIInput* pIInputs = NULL;
        int nInputCount =pItem->inputList(NULL, 0);
        pIInputs = new CIInput[nInputCount];
        pItem->inputList(pIInputs, nInputCount);


        if (!g_pSettings->isRegistered())
        {
            // 非注册版本转换限制
            for (int i = 0; i < nInputCount; i++)
            {
                double dConvertLength = pIInputs[i].trimLength;
                if (dConvertLength < 0.5)
                    dConvertLength = pIInputs[i].mi.duration;

                if (dConvertLength > 300.0)
                    pIInputs[i].trimLength = 300.0;
                else
                    pIInputs[i].trimLength = dConvertLength / 2;
            }
        }

        int nConvertLength = 0;

        for (int i = 0; i < nInputCount; i++)
        {
            nConvertLength += pIInputs[i].trimLength;
        }
        l_time=nConvertLength;                                           //  video or audio  播放时间长度
        a=pOOutput->profile.audioBitrate;                                   //  audio  bitrate
        v=pOOutput->profile.videoBitrate;                                   //  video  bitrate
        total+=(v+a)/8*l_time;

    }

    unsigned   __int64   i1,i2,i3;
    char  chBuf[100];
    GetDiskFreeSpaceEx( _TEXT("c: "),(PULARGE_INTEGER)&i1,(PULARGE_INTEGER)&i2,(PULARGE_INTEGER)&i3);
    i2 = i2 >> 20;                                                       //磁盘空间剩余容量

    //转换后的大小 以MB为单位
    total = total >> 20;

    QDir dirDestination(strDestination);

    if(i2-total<2)
    {
       
        if (AkMessageBox::question(this, g_pProductInfo->productName(), tr("/"%1/" disk space may be insufficient. Are you sure to convert?").arg(dirDestination.canonicalPath ().left(3)), QDialogButtonBox::Ok | QDialogButtonBox::Cancel) != QDialogButtonBox::Ok)
            return false;
        else
            return true;
    }
    else
    {
        return true;
    }
}

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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
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