rjvgxpt的博客

量产空中鼠标电路设计资料 原理图+PCB资料 空中鼠标硬件由两个部分组成，鼠标端（发射板）和USB端（接收板）。 ◆ 发射板主要器件是STM32、MPU6050、NR24L01。 MPU6050感知人手的动作（X、Y、Z轴上的角速度值），并将测得的数据通过I2C数据接口传输给STM32。 STM32内部自带12位ADC对数据做转换，并且通过NRF24L01无线传输给USB端。 ◆ 接收板是模拟的HID鼠标和键盘即插即用，通过USB接口和电脑连接。 USB端同样有一颗NRF24L01芯片接收发射板传输过来的数据，通过SPI接口传输给STM32。 ?作为电脑的输入设备，空中鼠标可以像传统鼠标一样操作屏幕，仅需要在空中晃动或者移动就可以实现鼠标的操作和翻页等功能。

C#上位机与omron欧姆龙 Fins TCP通信以太网通讯实例 源码 通过和PLC用网络连接，可以读取写入欧姆龙PLC的数据寄存器DM（批量也可以）、输入输出CIO、辅助继电器WR,H保持继电器等。 c#基于VS2015以上版本

IEEE33节点配电网Simulink模型，附带有详细节点数据以及文献出处来源，MATLAB，simulink各个版本均可运行，可以进行潮流计算以及四种常见故障波形仿真，可以更换线路模型，分布参数模型用于故障仿真（50km线路阻抗数据已经计算完毕，帮助节约大量时间更换模型），集中参数模型用于潮流计算。 附带前推回代法潮流计算程序（带注释）。

buck-boost变换器的非线性PID控制，主电路也可以换成别的电路。 在经典PID中引入了两个TD非线性跟踪微分器，构成了非线性PID控制器。 当TD的输入为方波时，TD的输出，跟踪方波信号也没有超调，仿真波形如下所示。 输入电压为20V，设置输出参考电压为10V，在非线性PID的控制下，输出很快为10V，且没有超调。 当加减载时，输出电压也一直为10V。 整个仿真全部采用模块搭建，没有用到S-Function。

carsim与Simulink联合仿真 基于EKF滤波对汽车横摆角速度，车速和质心侧偏角滤波估计，效果还可以，包含相关的参考资料。

开关磁阻电机控制仿真(matlab 2016b版本仿真模型 自用) 模型包涵： 开关磁阻电机传统控制：电流斩波控制、电压PWM控制、角度位置控制。 智能控制：12 8三相开关磁阻电机有限元分析本体建模、转矩分配函数控制、模糊PID控制、模糊角度控制、神经网络在线自适应迭代控制。 部分离线迭代算法：遗传算法优化PID、粒子群算法优化PID。 biye研究生自用仿真模型 .

MATLAB代码：计及绿证交易和综合需求响应的综合能源系统优化调度 关键词：绿证交易 综合需求响应 综合能源系统 优化调度 仿真平台: matlab+yalmip+cplex 主要内容：代码针对综合能源系统低碳运行和源荷互动，考虑可再生能源电力消纳责任权重情况下保证系统经济低碳运行，结合绿色证书交易机制，提出了一种计及可再生能源电力消纳责任权重的区域综合能源系统运行优化模型。 以系统总收益最大化为目标，综合考虑可再生能源消纳责任权重、绿色证书交易、碳排放等因素， 构建了包含电、 热、 冷负荷的区域综合能源系统运行优化模型。 通过设置不同场景进行算例分析，结果表明考虑了可再生能源电力消纳责任权重和绿证交易的区域综合能源系统优化模型可有效提高系统总收益且兼顾了环境效益。 代码为复现，效果非常好，是深入研究学习的必备程序，强烈推荐 场景一： 这个程序主要是一个能源系统的优化问题，目标是最小化系统的运行成本。程序中涉及到的变量包括电负荷、热负荷、冷负荷、风电预测出力、光伏预测出力等。程序的目标是通过优化各个设备的运行状态和能源的分配，使得系统的运行成本最小化。 程序中使用了一些常量，如基

Logistic回归全流程代码，包含:导入数据 数据划分 基线表生成 LASSO回归 批量单因素logistic 多因素logistic 列线图 ROC 校准曲线 DCA 这个程序主要是对一个数据集进行分析和建模。下面我会逐步解释程序的每个部分。 导入数据和格式转换部分： 首先，程序指定了一个路径变量path，你需要将其更改为你自己的路径。 然后，程序使用read.csv函数从一个csv文件中读取数据，并将其存储在变量data中。 接下来，程序使用dplyr包中的transmute函数对数据进行格式转换。它将一些列转换为因子变量（分类变量），并保持其他列不变。这里使用了factor函数和levels参数来指定每个因子变量的水平。 最后，程序使用VIM包中的aggr函数检查数据中是否存在缺失值，并以可视化的方式显示缺失情况。 数据划分部分： 首先，程序使用set.seed函数设置随机数种子，以确保结果的可重现性。 然后，程序使用caret包中的createDataPartition函数将数据集划分为训练集和测试集，比例为70:30。划分的结果存储在变量num中。 最后，程