墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
7.6k累计阅读
7.7k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
自动控制理论（2）——控制系统的数学模型（微分方程、传递函数）
自动控制理论（3）——控制系统的数学模型（系统框图和信号流图
自动控制理论是高等学校工程学科电气信息类、自动化类、能源动力类一门重要的专业基础课程。这里以陈青的《自动控制理论》（第四版）为参考，构建自动控制理论的基本知识体系
自动控制是指在无人直接参与的情况下，利用控制器使被控对象(或过程)的某些物理量(或状态)自动地按照预定的规律运行
系统的输出量不参与对系统的控制
系统的输出量参与对系统的控制
将开环控制和闭环控制组合起来
由控制器和被控对象组成
《自动控制原理》个人笔记（来自ppt课件）
自动控制的ppt知识点整合
自动控制原理（1）：自动控制的一般概念
18世纪，自瓦特改良蒸汽机，控制理论开始初步发展，到了20世纪50年代，频率响应法和根轨迹法被提出并完善。可以说经典控制理论是自动控制理论中发展最为成熟的部分，其中频率响应法和根轨迹法是经典控制理论的核心。时域法：构造系统的微分方程组并求解，处理较为复杂的系统相当困难，几十上百个微分方程很难找出其通解。复域法（根轨迹法）：根据系统的微分方程，以拉氏变换为数学工具，直接解出控制系统的时间响应；然后根据响应的表达式及其描述曲线来分析系统的控制性能（稳定性、快速性、稳定精度等）。
2019年上海交通大学816自动控制理论考研经验分享
作者：19录取带队答疑师兄帆 本人今年19硕士，初试390+，成绩个位已经打码处理，今天跟大家分享一下上海交通大学816自动控制理论考研经验。 1.初试 1.1政治：政治紧跟肖秀荣。其他的不看。我平时也就是不想看的时候刷刷一千题，讲真题刷一遍。一千题也没有全部刷完，仅仅刷了多选题，单选题几乎没看。到了十一月的时候准备刷肖四肖八，刷完之后按照肖大大的知识点提要，自己总结一下马原哲学部分四大模块。一...
自动控制理论（2）——控制系统的数学模型（微分方程、传递函数）
自动控制理论（2）控制系统的数学模型 系列文章目录 自动控制理论（1） 文章目录自动控制理论（2）控制系统的数学模型系列文章目录一、线性系统的微分方程1.微分方程的建立2.拉式变换3.拉式反变换3.拉式变换求解微分方程二、使用步骤1.引入库2.读入数据总结 一、线性系统的微分方程 1.微分方程的建立 1、确定系统输入，输出 2、按照传递，据基本定律列原始方程组 3、消去中间变量，得输入输出微分方程 4、标准化 2.拉式变换 3.拉式反变换 3.拉式变换求解微分方程 1、方程两边取拉式变换，并代入初
[渝粤教育] 西南科技大学 自动控制理论 在线考试复习资料
自动控制理论——在线考试复习资料 一、单选题 1.根轨迹是指开环系统某个参数由0变化到∞,( )在s平面上移动的轨迹。 A.开环零点  
邹伯敏教授《自动控制理论》PPT精讲
自动控制系统是利用自动控制理论，通过反馈机制来维持或改变某个量（如位置、速度、温度、压力等）的系统。它们在工业、航空航天、消费电子等领域发挥着至关重要的作用。自动控制系统通常由被控制对象（如机器、设备或生产过程）和控制器组成。控制器根据设定目标和反馈信号，自动调整操作以达到期望的输出，同时消除误差。控制系统的一个核心目标是保持系统的稳定性，即使在外部扰动或内部参数变化的情况下也能保证性能的稳定性。
自动控制理论：邹伯敏教材答案解析
控制系统的核心是数学模型。通过数学模型，可以对控制系统的行为进行准确的描述、分析和预测，从而实现对系统性能的优化和控制策略的设计。数学模型的建立和分析是控制系统设计和分析过程中的基础步骤。数学模型可以分为静态模型和动态模型。静态模型通常用来描述系统在稳定状态下的输入输出关系，而动态模型则包括了系统随时间变化的动态特性。动态模型又可以细分为线性模型和非线性模型。线性模型由于其数学处理的简便性，得到了广泛的应用，而非线性模型则更能精确地描述实际系统中存在的复杂现象。
《自动控制理论》课程PPT完整指南
自动控制系统是由控制装置、执行元件、被控对象和反馈环节等组成的系统，其核心目的是通过控制输入来维持或改变输出变量，以达到特定的性能指标或稳定状态。在控制系统设计中，状态空间方法是研究线性多变量系统动态行为的重要工具。它将系统的行为描述为一组一阶微分方程，并以矩阵的形式表达系统状态的动态演化。状态空间模型由系统状态方程和输出方程两部分组成，具体表示如下：状态方程：描述系统内部状态随时间变化的规律。输出方程：描述系统输出量与状态变量和输入量之间的关系。
自动控制理论
自动控制理论，自动控制原理（胡寿松 第五版）
自动控制理论 邹伯敏 第三版
自动控制理论 邹伯敏 第三版 很好用的课件。。。
自动控制原理
课程 讲义 PPT 系统 控制 劳斯判据 根轨迹 奈奎斯特 稳定
自动控制理论全套课件(王孝武_方敏)
自动控制理论全套课件(王孝武_方敏)
在 CentOS Stream 10 上搭建 Kubernetes 集群并支持开发调试与日志查看
搭建 Kubernetes 集群的每个步骤详细的文档。
基于STM32与OV7670的嵌入式视频监控系统设计与实现
本文详细介绍了基于STM32单片机与OV7670摄像头的嵌入式视频监控系统设计与实现。从硬件选型、电路设计到软件开发，涵盖了摄像头驱动、TFT显示优化及图像处理等关键技术，提供了实用的调试技巧和性能优化方案，为低成本、高效率的视频监控系统开发提供完整解决方案。
LoRa项目实战：手把手教你为ESP32选配和焊接天线（从PCB到信号测试）
本文详细介绍了为ESP32选配和焊接LoRa天线的全流程，包括天线选型、PCB布局设计、焊接工艺及信号测试。重点解析了PCB板载天线、导线天线和陶瓷贴片天线的适用场景与性能特点，并提供专业的焊接技巧和信号测试方案，帮助开发者优化LoRa模块的无线通信性能。
Mac微信聊天记录备份终极指南：用软链接轻松迁移到外接硬盘（附重签名教程）
本文详细介绍了如何通过软链接技术将Mac微信聊天记录备份迁移到外接硬盘，解决内置存储空间不足的问题。教程包括备份文件定位、软链接创建及微信重签名步骤，帮助用户高效管理微信数据，释放Mac存储空间。
ABAP 7.40 FOR 表达式与 REDUCE 构造运算符深度解析：从语法新特性到真实项目实践
ABAP 7.40引入了FOR和REDUCE表达式语法，使代码更简洁和函数式。FOR支持内表迭代和条件迭代，可配合VALUE构造新内表，替代传统LOOP。REDUCE用于归约运算，将多值折叠为单一结果，如求和、拼接等。这些新特性让ABAP更现代化，与SAP新架构协同更好，提升了开发效率和代码可读性。
LightGBM之LGBMRegressor()参数详解以及调参
LightGBMLight Gradient Boosting Machine）是一种梯度提升框架，它使用决策树作为基学习器。LightGBM 可以说是在 XGBoost 上做的优化。LightGBM 为高效并行计算而生，它的 Light 体现在以下几个点上：更快的训练速度更低的内存使用支持单机多线程，多机并行计算，以及 GPU 训练能够处理大规模数据。
AutoSAR系列讲解（入门篇）2.1-AppL概述
该章主要是讲解SWC是如何在ECU中分布的
展锐平台wifi连接性问题解决方案
对于断开连接的问题，需要从kernel log中确认下，是上 层主动发起的断开（会下发disconnect的命令），还是CP侧上报的断开事件。同学，别退出呀，我可是全网最牛逼的 WIFI/BT/GPS/NFC分析博主，我写了上百篇文章，请点击下面了解本专栏，进入本博主主页看看再走呗，一定不会让你后悔的，记得一定要去看主页置顶文章哦。1、出现wifi连接正常，但无法上网问题，首先确认其他手机是否可以正常上网，排除网络自身问题；3 路由器配置问题，出现过一个案例，恢复出场设置问题就解决了，具体根因。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
18万+
扫一扫
