不雨_亦潇潇-优快云博客

原创【Simulink】基于三矢量MPC的三相并网逆变器电流控制（调制模型预测控制）

介绍了三相并网逆变器的FCS-MPC控制，该控制策略，故称为模型预测控制。介绍了模型预测控制，即在一个控制周期内应用两个电压矢量。最近有朋友问到三矢量，那本篇博客就来介绍模型预测控制，即在一个控制周期内应用三个电压矢量。

2025-04-02 08:46:45 833

原创【论文写作】Latex学位论文编译问题记录

最近在用 Latex 写硕士毕业论文，编辑软件是 TexStudio，其中遇到了一些问题，在此记录。👉由于我在摘要使用了两个缩写（标注了全称），正文遇到同样的缩写词时候没有标注全称，但是根据论文要求，正文第一次出现缩写还是需要标注全称的。👉在摘要内容后面用论文的摘要是对论文研究内容和成果的高度概括。\gls{MPC}是一种控制方法...以上摘要中使用了 MPC 的缩写，在末尾还原，在正文部分再次出现 MPC 的时候，第一次标注全称，后面就是缩写了。

2025-03-22 11:40:33 430

原创【HiL-Speedgoat】3.HDL编译常见报错与解决方案

常见问题数据类型：内部似乎不能用double，我一般用single类型，特殊的模块在输出端口转single。像加减乘除这种有多个输入的，数据类型要相同。转换速率：可以是里面快外面慢，也可以是里面慢外面快，中间需要有RateTransition模块作速率转换。采样频率：常数的采样时间不能设置成0或者inf。代数环：有时候Simulink仿真不会报错，但是在HDL编译的时候就报错了，最简单的方法就是，哪里出现代数环问题，就在哪里加延时。

2025-01-14 10:12:31 956 1

原创【Simulink】光伏电池MPPT（恒定电压法+增量电导法+扰动观察法及其改进方法）

光伏电池最大功率点跟踪（Maximum Power Point Tracking, MPPT）是一种关键的技术，用于最大化光伏系统的能量转换效率。本文主要介绍三种主流的在线MPPT方法：恒定电压法 + 增量电导法(固定步长、变步长、增量电导+PI) + 扰动观察法(固定步长、变步长)

2024-11-04 21:28:18 2427

原创【Simulink】光伏电池数学模型公式推导和初步仿真（FCS-MPC/扰动观察MPPT）

光伏电池发电的基本原理主要基于光电效应。1️⃣ 光电效应光伏电池的工作原理首先依赖于光电效应。光电效应是指当光子（光的粒子）照射到某些材料（如硅）上时，可以将材料中的电子激发到更高的能量状态，从而使电子脱离原子的束缚，形成。2️⃣ 半导体材料光伏电池通常由半导体材料制成，最常用的材料是单晶硅、多晶硅或者薄膜材料。半导体材料在特定条件下（如掺杂）可以控制其导电性，实现光生电流的产生。3️⃣ P-N 结的形成4️⃣ 光照与电流产生。

2024-10-28 21:10:22 1493

原创【Simulink】电池双向DC/DC+ADRC+FCS-MPC直流母线稳压

当分布式电源发出的电能过剩时，电池储存电能，双向DC-DC变换器处于 Buck 模式，此时能量由直流母线流向电池；当分布式电源发出的电能不足以满足所有负载时，电池释放电能，双向DC-DC变换器切换于Boost模式，此时能量由电池流向直流母线。开关管S1、S2均关断，二极管D1导通、D2截止。

2024-10-24 22:35:56 1165

原创【Simulink】基于FCS-MPC的单相整流器电流控制（Matlab Function）

之前写过三相整流器的FCS-MPC博客，这篇博客把应用对象换成单相整流器。其中电流内环采用==FCS-MPC==控制策略，电压外环采用PI控制策略。其中电流内环采用控制策略，电压外环采用PI控制策略。将不同开关状态下的u_{ab}(k)值代入电流预测方程得到电流预测值，再根据下面的代价函数，遍历求出最接近参考电流i_r(k+1)下的开关状态，作为下个控制周期的开关状态。

2024-10-23 19:24:15 963

原创【Simulink】基于FCS-MPC的三相整流器电流控制（Matlab Function）

之前写过三相桥式逆变器FCS-MPC，这篇博客把应用对象换成三相桥式整流器。其中电流内环采用FCS-MPC控制策略，电压外环采用PI控制策略。

2024-10-18 20:20:00 1301

原创【Simulink】查找表Direct Lookup Table (n-D)用法

Direct Lookup Table (n-D) 可以实现从表数据中选择元素、向量或二维矩阵。如果从二维表中选择了一个向量，则输出向量可能是一列或一行，具体取决于模型配置设置。注意模块输入为从0开始的索引，例如，输入3返回该维度中的第四个元素。第一个选择索引对应于顶部(或左侧)输入端口。

2024-08-04 23:59:29 1794

原创【HiL-Speedgoat】2.控制系统模型：单相并网逆变器

上一篇博客提到了什么是HiL(硬件在环)，为什么需要对电路进行数学建模，当然，如果这些部署在Speedgoat的CPU而不是FPGA，可以不经过HDL编译的，也就是说对Simulink中使用的模块要求没有那么严苛，但如果是要部署在FPGA，则需要用内的模块搭建数学模型，或者是通过蓝库Simscape搭建模型然后进行状态空间转换。部署在CPU还是FPGA的一个区别就是不同。一般而言，实时仿真系统包括两个部分，一个是，一个是。

2024-08-04 00:23:22 1246

原创【HiL-Speedgoat】1.电路数学模型：三相并网逆变器

为什么要数学建模？关于这个问题，许老师的书/知乎也已经给出了非常好的答案：知乎：永磁同步电机控制与仿真系列文章 | 电路拓扑式建模与数学建模总的来说，如果要把模型放在Speedgoat的FPGA里面进行实时仿真，需要经过HDL编译，而HDL编译对模型使用的模块有一定要求。

2024-08-03 09:15:39 1702

原创昇思25天学习打卡营第25天|DCGAN生成漫画头像

DCGAN（深度卷积对抗生成网络，Deep Convolutional Generative Adversarial Networks）是GAN的直接扩展。不同之处在于，DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。它最早由Radford等人在论文Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks中进行描述。判别器由分层的卷积层、BatchNorm层和Leaky

2024-07-26 11:28:00 632

原创昇思25天学习打卡营第24天|CycleGAN图像风格迁移互换

CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。

2024-07-25 16:14:30 944

原创昇思25天学习打卡营第23天|Pix2Pix实现图像转换

Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。而Pix2Pix使用的网络作为一个通用框架，

2024-07-24 10:55:48 917

原创昇思25天学习打卡营第22天|Diffusion扩散模型

如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞 ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪。

2024-07-23 11:23:51 1106

原创昇思25天学习打卡营第21天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文Generative Adversarial Nets中首次进行了描述，其主要由两个不同的模型共同组成——生成器(Generative Model)和判别器(Discriminative Model)生成器的任务是生成看起来像训练图像的“假”图像；

2024-07-22 21:41:41 621

原创昇思25天学习打卡营第20天|基于MindNLP+MusicGen生成自己的个性化音乐

☀️ 第20天学习MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《Simple and Controllable Music Generation》。MusicGen直接使用谷歌的t5-base及其权重作为文本编码器模型，并使用EnCodec 32kHz及其权重作为音频压缩模型。MusicGen解码器是一个语言模型架构，针对音乐生成任务从零开始进行训练。

2024-07-21 18:20:46 754

原创昇思25天学习打卡营第19天|基于MobileNetv2的垃圾分类

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。

2024-07-19 23:29:53 908

原创昇思25天学习打卡营第18天|FCN图像语义分割

FCN主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的label map。因FCN丢弃全连接层替换为全卷积层，网络所有层均为卷积层，故称为全卷积网络。卷积化（Convolutional）使用VGG-16作为FCN的backbone。VGG-16的输入为224*224的RGB图像，输出为1000个预测值。VGG-16只能接受固定大小的输入，丢弃了空间坐标，产生非空间输出。

2024-07-18 21:33:14 1184

原创昇思25天学习打卡营第17天|ResNet50迁移学习

☀️ 第17天学习在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。

2024-07-17 19:17:27 447

原创昇思25天学习打卡营第16天|ShuffleNet图像分类

ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型，和MobileNet, SqueezeNet等一样主要应用在移动端，所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作：Pointwise Group Convolution和Channel Shuffle，这在保持精度的同时大大降低了模型的计算量。因此，ShuffleNetV1和MobileNet类似，都是通过设计更高效的网络结构来实现模型的压缩和加速。

2024-07-16 23:07:20 685

原创昇思25天学习打卡营第15天|ResNet50图像分类

ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差并没有如预想的一样减小。

2024-07-15 23:50:13 1015

原创昇思25天学习打卡营第14天|SSD目标检测

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ，超越当时最强的Faster RCNN(73.2%mAP)。具体可参考论文[1]。two-stage方法：RCNN系列。

2024-07-14 23:32:22 1050

原创昇思25天学习打卡营第13天|Vision Transformer图像分类

近些年，随着基于自注意（Self-Attention）结构的模型的发展，特别是Transformer模型的提出，极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩展性，它已经能够训练具有超过100B参数的空前规模的模型。ViT则是自然语言处理和计算机视觉两个领域的融合结晶。在不依赖卷积操作的情况下，依然可以在图像分类任务上达到很好的效果。本案例完成了一个ViT模型在ImageNet数据上进行训练，验证和推理的过程，其中，对关键的ViT模型结构和原理作了讲解。

2024-07-13 20:36:51 712

原创昇思25天学习打卡营第12天|RNN实现情感分类

情感分类是自然语言处理中的经典任务，是典型的分类问题。本节使用MindSpore实现一个基于RNN网络的情感分类模型，实现如下的效果：输入: This film is terrible正确标签: Negative预测标签: Negative输入: This film is great正确标签: Positive预测标签: Positive。

2024-07-13 00:34:14 850

原创昇思25天学习打卡营第11天|LSTM+CRF序列标注

序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。以命名实体识别为例：如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。

2024-07-11 20:02:04 1010

原创【机器学习】Datawhale-AI夏令营分子性质AI预测挑战赛-进阶

分子性质AI预测挑战赛【机器学习】Datawhale-AI夏令营分子性质AI预测挑战赛-基础Ref:Task2：赛题深入解析数据集包含了多个字段，如uuid（唯一标识符）、Label（降解能力的标签，0表示降解能力较差，1表示降解能力好）、Uniprot、Target、E3 ligase、PDB等，这些都是与PROTACs分子相关的信息。还包括了降解能力相关的数值指标，如DC50（半数降解浓度）、Dmax（最大降解效率）、IC50（半抑制浓度）、EC50（半有效浓度）等，以及与分子物理化学性质相关。

2024-07-07 23:40:18 766 6

原创昇思25天学习打卡营第10天|K近邻算法实现红酒聚类

K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。K值：一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。距离度量。

2024-07-04 15:40:13 926

原创昇思25天学习打卡营第9天|使用静态图加速

相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。有关静态图模式的运行原理，可以参考静态图语法支持。在MindSpore中，静态图模式又被称为Graph模式，在Graph模式下，基于图优化、计算图整图下沉等技术，编译器可以针对图进行全局的优化，获得较好的性能，因此比较适合网络固定且需要高性能的场景。

2024-07-03 23:37:54 1040

原创昇思25天学习打卡营第8天|保存与加载

上一章节主要介绍了如何调整超参数，并进行网络模型训练。在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署，本章节我们将介绍如何保存与加载模型。

2024-07-02 17:09:39 455

原创昇思25天学习打卡营第7天|模型训练

从网络构建中加载代码，构建一个神经网络模型。nn.ReLU(),nn.ReLU(),超参（Hyperparameters）是可以调整的参数，可以控制模型训练优化的过程，不同的超参数值可能会影响模型训练和收敛速度。目前深度学习模型多采用批量随机梯度下降算法进行优化，随机梯度下降算法的原理如下：公式中， 𝑛 是批量大小（batch size）， η 是学习率（learning rate）。另外， 𝑤𝑡 为训练轮次 𝑡 中的权重参数， ∇𝑙 为损失函数的导数。

2024-07-01 17:45:06 760

原创【机器学习】Datawhale-AI夏令营分子性质AI预测挑战赛-基础

分子性质AI预测挑战赛要求选手根据提供的demo数据集，可以基于demo数据集进行数据增强、自行搜集数据等方式扩充数据集，并自行划分数据。运用深度学习、强化学习或更加优秀人工智能的方法预测PROTACs的降解能力，若DC50>100nM且Dmax

2024-06-30 23:24:32 1413

原创昇思25天学习打卡营第6天|函数式自动微分

神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。MindSpore使用函数式自动微分的设计理念，提供更接近于

2024-06-30 16:20:48 671

原创昇思25天学习打卡营第5天|网络构建

当我们定义神经网络时，可以继承 nn.Cell 类，在__init__方法中进行子Cell的实例化和状态管理，在 construct 方法中实现Tensor操作。construct 意为神经网络（计算图）构建，相关内容详见使用静态图加速。AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。动态图的特点是计算图的构建和计算同时发生（Define by run）

2024-06-29 17:05:18 1191

原创昇思25天学习打卡营第4天|数据变换Transforms

第1天初步学习了MindSpore的基本操作。第2天初步学习了张量Tensor。第3天初步学习了数据集Dataset。第4天学习初学入门 / 初学教程 / 05-数据变换 Transforms通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换（Transforms），配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过map方法传入，实现对指定数据列的处理。

2024-06-28 17:15:22 955

原创昇思25天学习打卡营第3天|数据集Dataset

数据是深度学习的基础，高质量的数据输入将在整个深度神经网络中起到积极作用。MindSpore提供基于Pipeline的数据引擎，通过数据集（Dataset）和数据变换（Transforms）实现高效的数据预处理。其中Dataset是Pipeline的起始，用于加载原始数据。mindspore.dataset提供了内置的文本、图像、音频等数据集加载接口，并提供了自定义数据集加载接口。此外MindSpore的领域开发库也提供了大量的预加载数据集，可以使用API一键下载使用。这里将分别对不同的数据集加载方式、

2024-06-27 16:23:03 892

原创昇思25天学习打卡营第2天|张量Tensor

最近报名参加了昇思25天学习打卡训练营。昨天初步学习了MindSpore的基本操作。第二天学习初学入门 / 初学教程 / 03-张量 Tensor1. 代码跑通流程张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛 维空间内，有 𝑛^𝑟 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。 𝑟 称为该张量的秩或阶（与矩阵的秩和

2024-06-26 19:03:48 831

原创昇思25天学习打卡营第1天|快速入门

最近报名参加了，希望能掌握MindSpore的一些基础应用。第一天从初学入门 / 初学教程 / 02-快速入门开始。

2024-06-25 20:18:01 868

原创【Simulink】Boost+LADRC(三阶LESO)+PI直流母线稳压

针对非线性ADRC存在的不足，高志强老师提出了简化形式的线性ADRC，将所有控制器和扩张状态观测器都以线性形式实现，并给出了一般场合下控制器带宽与观测器带宽的经验关系，进一步简化了ADRC的参数整定方法，便于工程应用。这种非线性技术能够有效地补偿未知模型和外扰作用，并且在大误差时采用小增益以减小超调，在小误差时采用大增益以增加快速性，用一组控制参数调和了超调与快速性的矛盾，具有很强的跟踪能力。柔化启动，求出输入信号的微分，同时通过引入过渡过程有效降低输出信号的超调量，使得v1跟踪v，v2是v的微分。

2024-05-21 12:52:56 1288

原创【Simulink】三相两电平四桥臂离网型逆变器(4L 2LVSI)连续控制集模型预测控制(CCS-MPC)

之前写过一篇，这篇博客把控制方法从有限控制集模型预测控制(FCS-MPC)改成连续控制集模型预测控制(CCS-MPC)。CCS-MPC比FCS-MPC多了调制结构，开关频率固定。1.四桥臂逆变器应用背景：传统的三桥臂逆变器不适合具有不平衡和非线性负载的应用，而三相四桥臂逆变器可以提供控制中性电流的路径，可以在各种负载条件下产生无失真的三相正弦输出。三相四桥臂逆变器可用于给三相不对称负载供电的变频器和航空机载变速恒频发电系统。

2024-04-10 11:07:21 1825

wine.data-来自意大利同一地区但来自三个不同品种的葡萄酒进行化学分析的数据集

Wine数据集是模式识别最著名的数据集之一，Wine数据集的官网：Wine Data Set。这些数据是对来自意大利同一地区但来自三个不同品种的葡萄酒进行化学分析的结果。数据集分析了三种葡萄酒中每种所含13种成分的量。这些13种属性是 Alcohol，酒精 Malic acid，苹果酸 Ash，灰 Alcalinity of ash，灰的碱度 Magnesium，镁 Total phenols，总酚 Flavanoids，类黄酮 Nonflavanoid phenols，非黄酮酚 Proanthocyanins，原花青素 Color intensity，色彩强度 Hue，色调 OD280/OD315 of diluted wines，稀释酒的OD280/OD315 Proline，脯氨酸

2024-07-04

（Simulink）电池双向DC/DC+PI+FCS-MPC直流母线稳压

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/137261931 Matlab版本：2022b 应用对象：电池双向DC/DC 应用方法：电压PI+电流FCS-MPC双环控制实现功能：给定参考电压，实现电压跟踪

2024-04-02

（Simulink）电池Boost+PI+FCS-MPC直流母线稳压

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/137248478 Matlab版本：2022b 应用对象：电池 boost 应用方法：电压PI+电流FCS-MPC双环控制实现功能：给定参考电压，实现电压跟踪

2024-04-02

（Simulink）电池buck-boost+PI+FCS-MPC直流母线稳压

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/137244740 Matlab版本：2022b 应用对象：电池 buck-boost 应用方法：电压PI+电流FCS-MPC双环控制实现功能：给定参考电压，实现电压跟踪

2024-04-02

（Matlab）蚁狮算法（ALO）源码

博客： https://blog.youkuaiyun.com/weixin_43470383/article/details/124942019 https://blog.youkuaiyun.com/weixin_43470383/article/details/125058463 算法灵感来源：蚁狮（Antlions）的生命周期包括两个主要阶段：幼虫和成虫，总寿命可能长达 3 年，主要发生在幼虫阶段中（成年仅 3-5 周）。蚁狮在茧中经历变态成为成年。它们大多在幼虫中捕食，成年期是为了繁殖。蚁狮幼虫沿着圆形路径移动并用其巨大的下颚将沙子扔出，从而在沙子中挖出一个锥形坑。挖完陷阱后，幼虫隐藏在锥体底部并等待昆虫（蚂蚁）被困在坑中。锥体的边缘足够锋利，昆虫很容易掉到陷阱底部。一旦蚁狮意识到猎物在陷阱中，它就会试图抓住它。然而，昆虫通常不会立即被捕获并试图逃离陷阱。在这种情况下，蚁狮会智能地将沙子扔到坑的边缘，以将猎物滑入坑底。当猎物被抓到下巴时，它会被拉到土壤下并被吃掉。吃完猎物后，蚁狮将猎物残骸扔到坑外，并修改坑进行下一次狩猎。在蚁狮的生活方式中观察到的另一个有趣的行为是陷阱大小和两件事的相

2024-04-01

（Simulink）三相两电平四桥臂逆变器(4L 2LVSI)比例谐振(PR)控制

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/136910012 Matlab版本：2022b 应用对象：三相两电平四桥臂逆变器(4L 2LVSI)，LC滤波，阻性负载应用方法：电压电流双环控制，包括电压外环比例谐振(PR)控制，电流内环P控制实现功能：给定参考电压，实现电压跟踪，包括在负载不平衡的情况下

2024-03-22

（Simulink）基于快速模型预测控制的三相并网逆变器电流控制（Matlab Function）

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/136133856 Matlab版本：2022b 应用对象：三相L型滤波并网逆变器应用方法：单矢量快速模型预测控制实现功能：给定参考电流，实现电流跟踪（购买前请先弄明白什么是电流预测和跟踪）。相比原始的FCS-MPC，能够减小计算量。控制部分用Matlab Function实现步骤：（1）结合无差拍原理计算下一时刻的最优电压矢量；（2）判断最优电压矢量的空间位置；（3）将最优开关状态应用并控制三相并网逆变器

2024-02-21

（Simulink）基于双矢量MPC的三相并网逆变器电流控制（调制模型预测控制）

Matlab版本：2019b 详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/135326296 应用对象：三相并网电压型逆变器应用方法：双矢量调制MPC 实现功能：在考虑延时问题的情况下，给定参考电流，实现电流跟踪。在一个控制周期内应用两个电压矢量，两个矢量的作用时间采用调制方法计算。控制部分用Matlab Function实现。

2024-01-01

（Simulink）电池Boost+PI+无差拍直流母线稳压

详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/134801373 电池充放电+Boost升压变换器+PI控制+无差拍控制+直流母线稳压电压环控制采用PI控制，输出电感电流参考值; 电流环控制采用无差拍控制。电池经过双向Buck/Boost变换器，与直流母线和阻性负载相连。母线电压参考值为540V，仿真总时长为1s，0.5s时负载发生变化，90Ω→45Ω。 Matlab版本：2019b

2023-12-30

（Simulink）采用延时补偿的三相并网逆变器FCS-MPC

Matlab版本：2019b 详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/130439321 应用对象：三相并网电压型逆变器应用方法：FCS-MPC 实现功能：在考虑延时问题的情况下，给定参考电流，实现电流跟踪控制部分用Matlab Function实现： 1）负载电流的测量； 2）切换状态的应用（在前一个间隔中计算）； 3）考虑所施加的开关状态，估计在时间 k+1 处的电流值； 4）针对所有可能的开关状态预测下一个采样时刻 k+2 的负载电流； 5）对每个预测的成本函数进行评估； 6）选择使成本函数最小化的切换状态。

2023-12-19

（Simulink）基于无差拍的三相L型滤波并网逆变器电流控制

首先列出系统的状态空间方程，然后离散化，将下一步预测电流用参考电流替代。控制部分比较简单，需要输入并网电压、并网电流的采样值以及并网电流参考值，以及直流电压值、滤波电感和寄生电阻值、开关频率，即可计算出占空比，最后驱动开关管的导通和关断。详情：https://blog.youkuaiyun.com/weixin_43470383/article/details/134448431 Matlab版本：R2019b 三相并网逆变器+L型滤波+无差拍控制+电流预测

2023-11-16

（Matlab）PSO优化（单隐层）BP神经网络算法

BP神经网络结构：2-4-1，具体参数可自行调整（输入神经元个数：2，隐含层层数：1，隐含层神经元个数：4，输出神经元个数：1）采用粒子群优化算法（PSO）对BP神经网络模型的权重和阈值进行优化测试函数：y=x_1^2+x_2^2 https://blog.youkuaiyun.com/weixin_43470383/article/details/132240745

2023-08-13

（Matlab）PSO优化（双隐层）BP神经网络算法

BP神经网络结构：2-5-5-1，具体参数可自行调整（输入神经元个数：2，隐含层层数：2，隐含层神经元个数：[5, 5]，输出神经元个数：1）采用粒子群优化算法（PSO）对BP神经网络模型的权重和阈值进行优化测试函数：y=x_1^2+x_2^2 https://blog.youkuaiyun.com/weixin_43470383/article/details/132267402

2023-08-13

（Matlab）GRNN神经网络-遗传算法(GRNN-GA)函数极值寻优-非线性函数求极值

https://blog.youkuaiyun.com/weixin_43470383/article/details/131613851

2023-08-09

（Matlab）BP神经网络-遗传算法(BP-GA)函数极值寻优-非线性函数求极值

https://blog.youkuaiyun.com/weixin_43470383/article/details/131492401

2023-08-09

（Matlab）极限学习机遗传算法(ELM-GA)函数极值寻优-非线性函数求极值

https://blog.youkuaiyun.com/weixin_43470383/article/details/132190336

2023-08-09

（Matlab） Elman神经网络遗传算法(Elman-GA)函数极值寻优-非线性函数求极值

https://blog.youkuaiyun.com/weixin_43470383/article/details/132175179

2023-08-08

（Matlab）RBF神经网络遗传算法(RBF-GA)函数极值寻优-非线性函数求极值

RBF神经网络——非线性拟合 GA算法——非线性寻优 https://blog.youkuaiyun.com/weixin_43470383/article/details/132169921

2023-08-08

单相电压型全桥逆变电路Simulink仿真

【Simulink】单相电压型全桥逆变电路仿真基础实验 Udc=100V，R=5Ω，L=2mH IGBT驱动信号为方波信号 Matlab版本：R2018a https://blog.youkuaiyun.com/weixin_43470383/article/details/129328944 请看完资源简介再下载！

2023-03-21

Elsevier Style.nes

Elsevier 期刊参考文献格式导入 NoteExpress 在 NoteExpress 中：选项>样式>编辑输出样式>安装新的输出样式再选中该文件即可

2022-08-19

数字图像处理-基于模板匹配的文字识别源码

不建议下载，建议自己亲手做一遍！平台：CVI2012 + IMAQ vision6.0 实现过程： https://blog.youkuaiyun.com/weixin_43470383/article/details/117478961 https://blog.youkuaiyun.com/weixin_43470383/article/details/117486707 https://blog.youkuaiyun.com/weixin_43470383/article/details/117518445

2022-05-30

PID控制器Simulink仿真文件PID.slx

【Matlab上机测试】PID控制器Simulink仿真 Matlab版本：R2018a https://blog.youkuaiyun.com/weixin_43470383/article/details/121217578

2022-05-23

微机-基于8086的RTC电子钟设计.rar

不建议下载，建议自己亲手做一遍！私信问问题的90%以上是没有看以下的使用说明：资源包含pdsprj文件和exe文件（proteus版本：8.6，emu8086生成的exe）功能：显示时分秒，可以调节时分秒并清零实现过程：（源码都在这里面了，不要一个个私信问了） https://blog.youkuaiyun.com/weixin_43470383/article/details/106176009 https://blog.youkuaiyun.com/weixin_43470383/article/details/106330153 https://blog.youkuaiyun.com/weixin_43470383/article/details/106626222 资源能正常使用的，但如果没有proteus或者不会用proteus进行仿真的话是没法用的哦 exe不需要打开，只需要在原理图里面导入CPU运行使用方法参考：https://wenku.baidu.com/view/a38a24c9adaad1f34693daef5ef7ba0d4a736dd1.html

2022-02-07

开环Buck-Boost升降压电路Simulink仿真文件buck_boost_connverter.slx

Matlab2018a 【Matlab综合设计】开环Buck-Boost升压-降压式变换器Simulink仿真 https://blog.youkuaiyun.com/weixin_43470383/article/details/121218391

2021-11-18

单相交流调压电路Simulink仿真文件AC_AC.slx

【电力电子技术课程设计】单相交流调压电路Simulink仿真 https://blog.youkuaiyun.com/weixin_43470383/article/details/117773185 Matlab版本：R2018a

2021-11-10

rgbd_dataset_freiburg1_desk2.tgz

TUM RGB-D数据集 This sequence contains several sweeps over four desks in a typical office environment (similar to desk, but second recording). Duration: 24.86s Duration with ground-truth: 24.28s Ground-truth trajectory length: 10.161m Avg. translational velocity: 0.426m/s Avg. angular velocity: 29.308deg/s Trajectory dim.: 2.44m x 1.47m x 0.52m Last modified: 30 Sep 2011, 15:14

2020-08-18

cudnn-10.1-linux-x64-v7.5.1.10.tgz

tar -zxvf cudnn-10.1-linux-x64-v7.5.1.10.tgz cd cuda sudo cp lib64/lib* /usr/local/cuda-10.1/lib64/ sudo cp include/cudnn.h /usr/local/cuda-10.1/include/ cd /usr/local/cuda-10.1/lib64/ sudo chmod +r libcudnn.so.7.5.1 sudo ln -sf libcudnn.so.7.5.1 libcudnn.so.7 sudo ln -sf libcudnn.so.7 libcudnn.so

2020-06-22

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人