利用前推回代法，計(jì)算配電網(wǎng)潮流，收斂性較好
標(biāo)簽：
上傳時(shí)間： 2017-05-25
上傳用戶：zq70996813
自適應(yīng)濾波器應(yīng)用于回波抵消，非實(shí)時(shí)實(shí)現(xiàn)，C語言
標(biāo)簽： 自適應(yīng)濾波器 應(yīng)用于 回波抵消
上傳時(shí)間： 2013-11-30
上傳用戶：guanliya
生物信息學(xué)算法導(dǎo)論。這是一本關(guān)于生物信息學(xué)算法和計(jì)算思想的導(dǎo)論性教科書，原著由國際上的權(quán)威學(xué)者撰寫，經(jīng)國內(nèi)知名專家精心翻譯為中文，系統(tǒng)介紹推動(dòng)生物信息學(xué)不斷進(jìn)步的算法原理。全書強(qiáng)調(diào)的是算法中思想的運(yùn)用，而不是對表面上并不相關(guān)的各類問題進(jìn)行簡單的堆砌。體現(xiàn)了以下特色：闡述生物學(xué)中的相關(guān)問題，涉及對問題的模型化處理并提供一種或多種解決方案；簡要介紹生物信息學(xué)領(lǐng)域領(lǐng)軍人物；饒有趣味的小插圖使得概念更加具體和形象，方法更容易被領(lǐng)會(huì)，激勵(lì)學(xué)生學(xué)習(xí)的興趣并鼓勵(lì)他們加入到生物信息學(xué)研究工作中來。書中的大量論述表明：較少的幾種設(shè)計(jì)思想就能解決大量的生物學(xué)難題。
上傳時(shí)間： 2014-10-14
上傳用戶：lanjisu111
基于常加速模型的目標(biāo)跟蹤算法，采用UKF濾波器，加性噪聲的。
標(biāo)簽： 模型 目標(biāo)跟蹤 算法
上傳時(shí)間： 2017-07-10
上傳用戶：李彥東
語音識(shí)別中的說話人自適應(yīng)研究.nh 1.MAP和MLLR算法比較 文章在討論由說話人引起的聲學(xué)差異基礎(chǔ)上，研究兩種基于模型 的自適應(yīng)算法:最大似然線性回歸(州壓LR)和最大后驗(yàn)概率(MAp)。 實(shí)驗(yàn)結(jié)果表明，不論采用哪種自適應(yīng)都能使識(shí)別率有一定的提升。兩 種算法之間的差異性在于MAP具有良好的漸進(jìn)性，但收斂性較差， 而MLLR在很大程度上改善了收斂特性，但其漸進(jìn)特性卻不如MAP。 文章討論了在側(cè)汰P自適應(yīng)中，初始模型參數(shù)的先驗(yàn)知識(shí)對自適 應(yīng)效果的影響，以及在MLLR中，回歸類對自適應(yīng)效果的影響。文 章還進(jìn)一步研究了采用兩種算法的累加自適應(yīng)效果，從結(jié)果看MAP 和MLLR結(jié)合的方法比單獨(dú)使用M[AP和MLLR的效果要好。文章 還對包括基于特征層的歸一化算法和用于基于聲學(xué)模型的MLLR算 法等效性進(jìn)行討論，并給出了統(tǒng)一的算法框架。
標(biāo)簽： MLLR MAP nh 語音識(shí)別
上傳時(shí)間： 2014-01-09
上傳用戶：bakdesec
對數(shù)據(jù)進(jìn)行分析處理，確定時(shí)間序列模型，最終得到AR（1）模型，再利用卡爾曼濾波對數(shù)據(jù)進(jìn)性濾波處理
上傳時(shí)間： 2017-05-06
上傳用戶：李兆桐114
紅外圖像檢測技術(shù)因具有非接觸、快速等優(yōu)點(diǎn)，被廣泛應(yīng)用于電力設(shè)備的監(jiān)測與診斷 中，而對設(shè)備快速精確地檢測定位是實(shí)現(xiàn)自動(dòng)檢測與診斷的前提。與普通目標(biāo)的可見光圖像相比， 電力設(shè)備的紅外圖像可能存在背景復(fù)雜、對比度低、目標(biāo)特征相近、長寬比偏大等特征，采用原 始的 YOLOv3 模型難以精確定位到目標(biāo)。針對此問題，該文對 YOLOv3 模型進(jìn)行改進(jìn)：在其骨干 網(wǎng)絡(luò)中引入跨階段局部模塊；將路徑聚合網(wǎng)絡(luò)融合到原模型的特征金字塔結(jié)構(gòu)中；加入馬賽克 （Mosaic）數(shù)據(jù)增強(qiáng)技術(shù)和 Complete-IoU（CIoU）損失函數(shù)。將改進(jìn)后的模型在四類具有相似波紋 外觀結(jié)構(gòu)的電力設(shè)備紅外圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，每類的檢測精度均能達(dá)到 92%以上。最后， 將該文方法的測試結(jié)果與其他三個(gè)主流目標(biāo)檢測模型進(jìn)行對比評估。結(jié)果表明：不同閾值下，該 文提出的改進(jìn)模型獲得的平均精度均值優(yōu)于 Faster R-CNN、SSD 和 YOLOv3 模型。改進(jìn)后的 YOLOv3 模型盡管在檢測速度上相比原 YOLOv3 模型有所犧牲，但仍明顯高于其他兩種模型。對 比結(jié)果進(jìn)一步驗(yàn)證了所提模型的有效性。
標(biāo)簽： 電力設(shè)備 紅外目標(biāo)檢測
上傳時(shí)間： 2021-10-30
上傳用戶：
“走向數(shù)學(xué)”小叢書，每本小冊子盡量用深入淺出的語言來講述數(shù)學(xué)的某一問題或方面，使工程技術(shù)人員、非數(shù)學(xué)專業(yè)的大學(xué)生，甚至具有中學(xué)數(shù)學(xué)水平的人，亦能懂得書中全部或部分含義與內(nèi)容。這對提高我國人民的數(shù)學(xué)修養(yǎng)與水平，可能會(huì)起些作用。史樹中所著的《凸性》主要介紹了凸集定義、凸集承托定理及其解析證明、凸函數(shù)的定義、凸性不等式、凸函數(shù)的導(dǎo)數(shù)性質(zhì)、凸函數(shù)的次微分和共軛函數(shù)、凸分析的兩條基本定理及凸規(guī)劃等。
標(biāo)簽： 凸性
上傳時(shí)間： 2021-11-03
上傳用戶：nhhrzh
變頻器的開關(guān)電源電路完全可以簡化為上圖電路模型，電路中的關(guān)鍵要素都包含在內(nèi)了。而任何復(fù)雜的開關(guān)電源，剔除枝蔓后，也會(huì)剩下上圖這樣的主干。其實(shí)在檢修中，要具備對復(fù)雜電路的?化簡?的能力，要在看似雜亂無章的電路伸展中，拈出這幾條主要的脈絡(luò)。要向解牛的庖丁學(xué)習(xí)，訓(xùn)練自己的眼前不存在什么整體的開關(guān)電源電路，只有各部分脈絡(luò)和脈絡(luò)的走向??振蕩回路、穩(wěn)壓回路、保護(hù)回路和負(fù)載回路等。
標(biāo)簽： 變頻 開關(guān)電源 電路
上傳時(shí)間： 2021-12-09
上傳用戶：
主要內(nèi)容介紹 Allegro 如何載入 Netlist，進(jìn)而認(rèn)識(shí)新式轉(zhuǎn)法和舊式轉(zhuǎn)法有何不同及優(yōu)缺點(diǎn)的分析，透過本章學(xué)習(xí)可以對 Allegro 和 Capture 之間的互動(dòng)關(guān)係，同時(shí)也能體驗(yàn)出 Allegro 和 Capture 同步變更屬性等強(qiáng)大功能。Netlist 是連接線路圖和 Allegro Layout 圖檔的橋樑。在這裏所介紹的 Netlist 資料的轉(zhuǎn)入動(dòng)作只是針對由 Capture（線路圖部分）產(chǎn)生的 Netlist 轉(zhuǎn)入 Allegro（Layout部分）1． 在 OrCAD Capture 中設(shè)計(jì)好線路圖。2． 然後由 OrCAD Capture 產(chǎn)生 Netlist（annotate 是在進(jìn)行線路圖根據(jù)第五步產(chǎn)生的資料進(jìn)行編改）。 3． 把產(chǎn)生的 Netlist 轉(zhuǎn)入 Allegro（layout 工作系統(tǒng)）。 4． 在 Allegro 中進(jìn)行 PCB 的 layout。 5． 把在 Allegro 中產(chǎn)生的 back annotate（Logic）轉(zhuǎn)出（在實(shí)際 layout 時(shí)可能對原有的 Netlist 有改動(dòng)過），並轉(zhuǎn)入 OrCAD Capture 裏進(jìn)行回編。
上傳時(shí)間： 2022-04-28
上傳用戶：kingwide
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
