- 博客(130)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 自动控制——遇限削弱积分PID控制
在自动控制领域，PID控制器因其简单高效的特点被广泛应用。然而，在某些应用场合中，传统PID控制器可能会出现积分饱和问题，导致系统性能下降。为了克服这一问题，提出了遇限削弱积分PID控制算法。该算法在控制量进入饱和区时，削弱或停止积分项的计算，从而避免控制量长时间停留在饱和区，提高系统的稳定性和响应速度。
2024-07-14 10:22:39
956
1
原创 自动控制——变速积分的PID控制
PID控制（Proportional-Integral-Derivative Control）是工业控制中最常用的控制算法之一。标准的PID控制器由比例（P）、积分（I）和微分（D）三个部分组成，通过调节这三个部分的参数，实现对系统输出的精确控制。然而，标准的PID控制器在某些情况下可能会出现积分饱和或积分累积的问题，导致系统性能下降。为了解决这些问题，变速积分的PID控制（Variable Integral PID Control）应运而生。
2024-07-14 10:21:35
718
原创 自动控制：反馈控制
反馈控制是一种通过实时测量系统输出并根据误差调整输入的控制策略，能够有效地提高系统的稳定性、鲁棒性和控制精度。常见的反馈控制策略包括比例控制、比例-积分-微分控制（PID控制）和滑模控制。反馈控制（Feedback Control）是一种在控制系统中通过测量输出信号，并将其与期望信号进行比较，产生误差信号，再根据误差信号调整输入来达到控制目标的方法。下面是一个简单的Python代码示例，演示反馈控制的基本原理。PID控制是一种广泛应用的反馈控制策略，由比例控制、积分控制和微分控制三部分组成。
2024-07-07 10:31:09
1001
原创 自动控制：前馈控制
抗扰前馈控制器（Disturbance Rejection Feedforward Controller）主要用于抑制系统中的扰动。这种控制器在检测到扰动后，通过计算并施加一个与扰动相反的控制输入，来抵消扰动对系统的影响。扰动检测：实时检测系统中的扰动源。扰动补偿计算：根据系统模型计算出所需的补偿量。施加补偿控制：将计算得到的补偿量施加到系统中，抵消扰动影响。跟踪前馈控制器（Tracking Feedforward Controller）主要用于精确跟踪系统的参考输入。
2024-07-07 10:30:46
798
原创 模型预测控制：设定点跟踪（Set Point Tracking）
模型预测控制（Model Predictive Control, MPC）不仅可以用于系统稳定性问题，还可以用于设定点跟踪问题（Set Point Tracking），即系统需要跟踪一个动态变化的参考输入。本文将介绍如何将设定点跟踪问题转化为稳定性问题，并使用MPC解决。
2024-06-29 10:46:33
704
原创 模型预测控制：线性MPC
模型预测控制（Model Predictive Control, MPC）是一种广泛应用于工业过程控制和自动驾驶等领域的先进控制技术。MPC通过在线解决优化问题来计算控制输入，从而实现系统的最优控制。本文将介绍线性MPC的系统模型、优化问题、LMPC算法，以及单输入系统和多输入系统的具体应用
2024-06-29 10:31:59
1074
原创 自动控制：滑模控制(Sliding Mode Control, SMC)
滑模控制（Sliding Mode Control, SMC）是一种在处理非线性系统时非常有效的控制技术。它通过驱动系统状态达到并保持在特定的滑模面附近，来实现控制目标。本文将介绍滑模控制的基本概念、系统描述与控制目标、构造滑模面、构建滑模趋近律，并提供一个简单的Python代码示例。
2024-06-14 09:03:06
1665
原创 自动控制：基于预设性能控制（PPC）的控制系统设计
在控制系统设计中，瞬态性能与稳态性能同等重要。对于某些特殊的动态系统而言，瞬态性能甚至比稳态性能更为重要。预设性能控制（Preset Performance Control, PPC）已被证明是一个强大的工具，它保证了控制系统的输出/误差具有所需的瞬态性能以及稳态性能。
2024-06-14 09:01:53
735
原创 自动控制：自治系统与非自治系统的稳定性分析
在自动控制领域，理解自治系统和非自治系统的区别对于分析系统稳定性至关重要。自治系统的运动方程只与系统的状态有关，而非自治系统的运动方程则与系统的状态和时间都有关系。本文将探讨非自治系统的稳定性及其李雅普诺夫分析方法。
2024-06-05 17:20:54
1223
原创 自动控制：控制系统的灵敏度分析
当提到“灵敏度”这个词时，通常会认为灵敏度应该很高。这个说法在一些个体元件如控制器、传感器和测量仪器中是正确的，因为这些设备需要能够检测到输入中的微小波动并相应地输出结果。然而，当讨论控制系统的灵敏度时，情况正好相反。控制系统的灵敏度不同于个体元件的灵敏度。控制系统是由多个个体元件（如控制器、控制元件、被控对象、传感器等）集成而成。因此，这些个体元件的灵敏度应该很高，而整个集成系统（控制系统）的灵敏度应该很低。
2024-06-05 17:06:28
1102
原创 非线性系统：相平面法
非线性系统的相平面法是一种重要的分析工具，用于研究系统的动力学行为。通过相平面法，可以直观地观察系统状态变量的变化，分析系统的稳定性、周期性和其他动力学特性。本文将详细介绍相平面法的基本思想、步骤、相轨迹的绘制方法，探讨线性系统与非线性系统的相平面分析，并提供一个非线性系统的程序示例，最后讨论相平面法的优缺点。
2024-06-02 09:53:45
1139
原创 自动控制：控制系统的稳定性
在自动控制领域，控制系统的稳定性是一个至关重要的问题。稳定性决定了系统在受到扰动后是否能够恢复到平衡状态。本文将介绍控制系统稳定性的基本概念、如何利用特征值分析稳定性，并通过具体示例和Python代码展示如何判断系统的稳定性。
2024-05-30 17:11:16
1037
原创 自动控制： 利用特征值求解常微分方程（ODEs）
在控制系统和工程分析中，求解常微分方程（ODEs）是一个常见且重要的任务。特征值和特征向量在这一过程中起着关键作用。本文将深入探讨如何利用特征值求解ODEs，特别是在分析系统稳定性方面的应用。通过具体示例和Python代码，我们将展示这一方法的实际操作步骤。
2024-05-30 17:10:31
750
1
原创 非线性优化：高斯-牛顿法的原理与实现
在实际应用中，很多问题都是非线性的。非线性优化问题广泛应用于机器学习、数据拟合、工程设计等领域。高斯-牛顿法是一种常用于解决非线性最小二乘问题的迭代算法。本文将详细介绍高斯-牛顿法的原理、推导过程，并通过Python代码实现该算法。
2024-05-29 13:25:29
926
原创 自动控制： 最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计
在数据分析和机器学习中，参数估计是一个关键步骤。最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计（LMMSE）是几种常见的参数估计方法。这篇博客将详细介绍这些方法及其均方误差（MSE）的计算，并通过Python代码实现这些方法。
2024-05-29 13:21:48
1133
原创 自动化机器学习——贝叶斯优化
贝叶斯优化是一种使用贝叶斯推断来优化目标函数的方法，它将目标函数视为一个黑盒子，并通过不断地观察目标函数的输出来寻找最优解。贝叶斯优化通常用于在有限次迭代中找到全局最优解，尤其在高维空间或目标函数计算代价高昂的情况下表现良好。贝叶斯优化是一种用于优化目标函数的强大方法，它通过不断地探索和利用目标函数的信息来寻找最优解。本文介绍了贝叶斯优化的定义、步骤、高斯过程回归计算目标函数后验分布的方法，并通过Python实现了一个简单的一维函数优化示例来演示其效果。
2024-05-22 18:03:55
991
原创 自动控制：PID控制及其参数整定方法
PID控制器（比例-积分-微分控制器）是工业控制系统中最广泛应用的控制器之一。它通过调节比例、积分和微分三个参数，来调整系统的输出，使其达到预期的设定值。本文将详细介绍PID控制器的工作原理，并探讨几种常见的参数整定方法，最后通过Python代码示例展示如何应用这些方法。
2024-05-22 12:52:43
1257
原创 基于卡尔曼滤波的轨迹估计研究
在目标追踪和导航领域，准确地估计目标的轨迹是至关重要的。而基于卡尔曼滤波的轨迹估计方法，作为一种经典的状态估计技术，在这一领域发挥着重要作用。本文将介绍基于卡尔曼滤波的轨迹估计原理、实现过程，并给出相应的Python代码示例。将探讨如何利用卡尔曼滤波器进行目标轨迹的持续估计和跟踪，并讨论其在无人驾驶、智能交通系统等领域的应用前景。
2024-05-18 17:00:22
1083
原创 智能优化算法——遗传算法（Genetic Algorithm, GA）
遗传算法（Genetic Algorithm, GA）是一种基于自然选择和遗传机制的优化算法，由John Holland在20世纪70年代提出。它模拟生物进化过程，通过选择、交叉和变异等操作，在搜索空间中找到最优解。本文将详细介绍GA算法的原理，并提供Python代码示例和可视化结果。
2024-05-17 12:34:06
1232
原创 智能优化算法——粒子群优化算法 (PSO)
粒子群优化算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，最早由Kennedy和Eberhart在1995年提出。它模仿了鸟群觅食的行为，通过群体协作和信息共享，在搜索空间中寻找最优解。本文将详细介绍PSO算法的原理、提供Python代码示例和可视化结果。
2024-05-17 12:25:35
1250
原创 基于 Kernel PCA 的故障检测与诊断
在工业领域，轴承是一种常见但重要的机械元件，负责支撑旋转部件并减少摩擦。然而，由于长时间的使用和环境因素等原因，轴承可能会出现各种故障，如磨损、裂纹等，这些故障如果不及时检测和诊断，可能会导致设备损坏甚至生产线停机，造成经济损失。因此，轴承故障检测与诊断技术对于维护设备的正常运行至关重要。近年来，基于 Kernel Principal Component Analysis (KPCA) 的方法在轴承故障检测与诊断领域得到了广泛关注和应用。
2024-05-14 13:39:31
421
原创 传感数据分析——加速度、速度与位移
本文介绍了如何利用Python进行传感器数据分析，重点关注了加速度、速度和位移之间的关系。通过数值积分的方法，可以从加速度数据中计算出速度和位移数据，并通过绘制曲线图来直观展示数据的变化情况。这些分析结果可以帮助我们更好地理解物体的运动状态，为实际应用提供支持。
2024-05-14 13:28:20
1440
原创 自动化机器学习——神经网络架构搜索
神经网络架构搜索是一种自动化机器学习技术，旨在通过搜索有效的神经网络结构来解决特定任务。与传统的手工设计神经网络结构相比，NAS通过自动化搜索过程来发现更加高效和精确的神经网络结构，从而提高模型的性能和泛化能力。神经网络架构搜索是一种自动化机器学习技术，旨在通过搜索有效的神经网络结构来解决特定任务。本文介绍了神经网络架构搜索的定义、应用场景与主要的研究方向，以及NAS的工作流程，并通过Python实现示例代码来演示其应用和效果。
2024-05-11 13:30:08
1113
原创 图像质量评价指标：了解图像质量的度量方式
图像质量评价指标是用来量化图像质量的度量方式，它们能够反映图像的清晰度、对比度、失真程度等方面的特征。通过这些指标，我们可以对图像进行客观地评价，从而判断其适用性和可用性。本文介绍了图像质量评价指标的定义以及常见的评价指标，包括均方误差（MSE）、峰值信噪比（PSNR）和结构相似性指数（SSIM）。通过Python实现了一个简单的示例代码来计算并可视化这些指标，帮助读者更好地理解图像质量评价的原理和实现方法。对于图像处理和计算机视觉领域的从业者来说，熟悉和掌握这些评价指标是非常重要的。
2024-05-09 09:04:10
658
原创 图像质量评价方法简介与Python实现
本文介绍了图像质量评价方法中的主观评价和客观评价方法，包括主观评价中的MOS和DMOS，以及客观评价中的全参考图像质量评价（FR-IQA）、半参考图像质量评价（RR-IQA）和无参考图像质量评价（NR-IQA）。通过Python实现了一个简单的示例代码来演示这些评价方法的应用，帮助理解图像质量评价的基本原理和实现过程。
2024-05-09 09:01:59
503
原创 自动化机器学习——贝叶斯优化
贝叶斯优化是一种强大的优化方法，它通过建模目标函数的后验分布来不断地寻找最优解。本文介绍了贝叶斯优化的两个关键步骤：统一建模和获得函数的优化，并提供了一个简单的示例代码来演示其实现过程。贝叶斯优化在实际应用中具有广泛的应用价值，特别是在黑盒函数优化和高维空间搜索等问题中表现突出。
2024-05-07 15:13:36
554
原创 自动化机器学习——获得函数
获得函数，也称为目标函数或损失函数，是在机器学习中用于衡量模型预测值与真实标签之间差异的函数。其形式可以是各种形式的误差度量，例如均方误差、交叉熵等。获得函数的选择直接影响了模型的性能和训练过程中的优化效果。本文介绍了获得函数的定义、作用、常用的获得函数，并通过Python实现了一个简单的线性回归问题示例来演示均方误差的计算和可视化效果。获得函数是机器学习中的重要组成部分，其选择直接影响了模型的性能和训练过程中的优化效果。
2024-05-07 15:12:43
757
原创 自动化机器学习——网格搜索法：寻找最佳超参数组合
在机器学习中，超参数是在模型训练之前需要手动设置的参数，例如学习率、正则化参数、树的数量等。这些超参数的选择对于模型的性能和泛化能力具有重要影响。而网格搜索法是一种通过遍历指定的超参数空间来寻找最佳超参数组合的方法，它通过穷举搜索的方式寻找最优解，是一种简单而有效的超参数调优方法。本文介绍了自动化机器学习中的网格搜索法，通过穷举搜索超参数空间来寻找最佳超参数组合。通过Python实现了一个简单的分类问题示例，并通过可视化展示了网格搜索法的效果。
2024-05-01 21:30:55
1601
1
原创 神经网络中常见的激活函数：理解与实践
激活函数是神经网络中的一个关键组件，它决定了神经元的输出是否被激活。在神经网络的每一层中，都会使用激活函数对输入进行非线性变换，从而使得神经网络可以逼近复杂的函数关系。本文介绍了神经网络中常见的9种激活函数，包括它们的概述、公式和用Python实现示例代码，并通过可视化展示了它们的效果。每种激活函数都有其特点和适用场景，选择合适的激活函数对于神经网络的训练和性能至关重要。读者可以根据实际问题的需求和数据的特点，选择合适的激活函数来提高神经网络的性能和效果。
2024-05-01 21:24:55
1051
原创 自动化机器学习：让机器学习更智能
自动化机器学习旨在通过利用计算机自动化地搜索和选择合适的机器学习模型及其超参数，以降低人工干预的成本，并提高机器学习模型的性能和泛化能力。模型选择：在众多的机器学习算法中选择最适合特定问题的算法。超参数调优：调整模型的超参数以优化模型的性能。特征工程：自动地从原始数据中提取有效的特征。基于优化算法的方法：利用优化算法如遗传算法、贝叶斯优化等搜索模型和超参数的最优解。基于元学习的方法：通过学习不同数据集上的模型性能，来预测最佳的模型和参数。基于神经网络的方法。
2024-04-28 19:34:01
1035
原创 深度学习基础：循环神经网络中的长期依赖问题
在循环神经网络中，信息的传递是通过时间步骤进行的，每个时间步骤的隐藏状态会受到上一步隐藏状态和当前输入的影响。然而，随着时间步的增加，信息会逐渐衰减，导致模型难以捕捉到远距离的依赖关系。这种问题在处理长序列数据时尤为突出，例如在自然语言处理任务中，处理长句子时往往会出现语义理解不准确的情况。长期依赖问题是循环神经网络中的一个重要挑战，但通过引入门控机制、增加网络深度等方法，我们能够有效地解决这个问题。在实际应用中，选择合适的模型结构和调参方法对于解决长期依赖问题非常重要。
2024-04-24 12:51:41
1045
2
原创 深度学习基础：循环神经网络中的Dropout
Dropout是一种用于深度学习模型的正则化技术，旨在减少模型的过拟合。它的基本思想是在训练过程中，随机地将一部分神经元的输出置为零，从而减少神经元之间的相互依赖关系，降低模型对特定神经元的依赖性，提高模型的泛化能力。本文介绍了Dropout在深度学习中的基本概念和原理，以及在循环神经网络中如何使用Dropout来解决过拟合问题。通过一个简单的Python示例，我们演示了如何在PyTorch中实现带有Dropout的循环神经网络，并观察了训练过程中的损失变化。
2024-04-24 12:21:06
671
2
原创 深度学习基础——Seq2Seq框架在编码-解码过程中的信息丢失问题及解决方法
在Seq2Seq模型中，编码器将输入序列转换为一个固定长度的向量表示，然后解码器根据该向量表示生成输出序列。然而，由于编码器输出的向量长度固定且有限，可能会导致输入序列中的某些信息在编码过程中丢失，从而影响解码器的生成效果。具体来说，当输入序列较长或包含复杂结构时，编码器可能无法完全捕捉到序列中的所有重要信息，导致一部分信息在编码过程中丢失。这种信息丢失可能导致解码器无法正确地生成输出序列，从而影响模型的性能。本文介绍了深度学习基础中Seq2Seq框架在编码-解码过程中的信息丢失问题，并提出了解决方法。
2024-04-22 12:45:27
633
原创 深度学习基础——循环神经网络的结构及参数更新方式
循环神经网络是一种具有循环连接的神经网络结构，用于处理序列数据，如文本、时间序列等。其主要特点是可以将过去的信息传递到当前时间步，从而在处理序列数据时具有记忆性。
2024-04-22 11:13:03
1028
原创 深度学习基础——卷积神经网络的基础模块
批归一化是一种用于神经网络中的技术，旨在减少训练过程中的内部协变量偏移，并且可以作为一个正则化项来降低网络的过拟合程度。通过对每个小批量输入进行归一化，使得网络的输入更加稳定，加快收敛速度，同时提高网络的泛化能力。
2024-04-20 22:54:06
1106
原创 深度学习基础——卷积神经网络的感受野、参数量、计算量
在卷积神经网络中，感受野是指一个神经元对输入图像的感知范围。换句话说，它代表了一个神经元能够接收到的输入图像的区域大小。感受野的大小决定了神经元对输入图像的理解能力和特征提取能力。本文介绍了卷积神经网络的三个重要指标：感受野、参数量和计算量。通过定义和计算方法，可以更好地理解和评估深度学习模型的性能和复杂度。通过示例代码的实现和可视化展示，读者可以更直观地了解这些指标的计算过程和意义。在实际应用中，合理设计和优化网络结构可以有效提高模型的性能和效率。
2024-04-20 22:48:37
741
原创 计算机视觉与深度学习
计算机视觉（Computer Vision）是指利用计算机和相应的数字信号处理技术，对从现实世界中获取的图像和视频数据进行理解和分析的研究领域。而深度学习（Deep Learning）是机器学习的一个分支，通过多层神经网络模型学习数据的表示，实现对复杂模式和结构的学习。深度学习技术已经成为了计算机视觉领域的主要驱动力之一，通过深度学习方法可以自动学习到数据的特征表示，从而大大提高了计算机视觉任务的准确性和效率。本文介绍了计算机视觉与深度学习的关联，以及深度学习在计算机视觉中的应用。
2024-04-17 12:24:30
1030
原创 深度学习基础——残差神经网络（ResNet）
残差神经网络（ResNet）是一种深度神经网络结构，由微软研究院的Kaiming He等人于2015年提出。它通过引入残差块（Residual Block）来解决深度神经网络的退化问题，使得网络可以更深地进行训练。ResNet在ImageNet图像识别挑战赛上取得了第一名的成绩，并在许多领域取得了显著的成功应用。
2024-04-17 12:16:47
1340
原创 深度学习基础——计算量、参数量和推理时间
计算量（FLOPs）：指的是在模型的前向传播过程中进行的浮点运算的数量。FLOPs越多，说明模型的计算复杂度越高，需要更多的计算资源来完成推理任务。参数量（Params）：指的是模型中需要学习的参数的数量。参数量越多，模型的表达能力越强，但也容易导致过拟合和计算负担。推理时间（FPS）：指的是模型在推理阶段处理一个样本所需的时间，通常以每秒处理的样本数来衡量模型的推理速度。FPS越高，说明模型的推理效率越高。计算量、参数量和推理时间是评估深度学习模型性能和效率的重要指标。
2024-04-13 17:21:57
1391
原创 机器学习——模型评价
模型评价是机器学习中至关重要的一环，它能够帮助我们全面理解和评估模型的性能，为模型的改进和优化提供指导。在选择合适的评价方法时，需要根据具体问题和数据特点进行综合考虑，综合利用不同的评价指标，以全面客观地评价模型的性能。通过本文的介绍和示例代码，希望读者能够更加深入地理解模型评价的概念、方法和应用。
2024-04-13 17:10:00
1309
传感数据分析-TOPSIS-Entropy Weight Method
2023-12-20
传感数据分析-Entropy Weight Method （熵权法）
2023-12-19
传感数据分析-最小二乘法线性拟合（Least Squares）
2023-12-18
传感数据分析-数据相关性分析
2023-12-17
传感数据分析-数据读取与绘图（可视化）
2023-12-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人