weixin_46407807的博客

原创 反激开关电源的二次振铃、准谐振反激

反激MOS关断时，Vds出现两次谐振：首次为漏感与MOS结电容谐振，产生高压尖峰，被RCD钳位吸收；二次谐振为副边放电结束后，励磁电感与MOS结电容共振，起始电压为Vor。若在第一次电压下降至Vin−Vor时开通MOS，即实现准谐振工作，可降低开关损耗，提升效率。

原创 反激开关电源-初级线圈电流有效值

精通开关电源设计》第二版的77页是这样的公式。

原创 反激开关电源的初级线圈平均电流和峰值电流、初级线圈电流有效值、初级线圈线径、趋肤效应

不同资料对开关电源初级线圈电流计算方法各异：有的采用峰值电流，有的在平均电流基础上加一半纹波，还有的基于最大占空比计算有效值。次级电流有效值可通过更换占空比求得。线径选择依据电流有效值与铜线电流密度（I = S×J），若受趋肤效应影响，需按等截面积原则改用多股线以降低损耗。

原创 ppt转为draw.io方法

将PPT图表导入draw.io的两种高效方法：一是通过Visio中转，复制图形至Visio并另存为.vsdx格式，再导入draw.io，支持完全二次编辑；二是直接导出PPT图形为SVG矢量图，拖入draw.io即可保留高质量外观，部分图形可取消组合实现编辑。前者效果最佳，后者操作简便，适用于不同需求场景。

原创 开关电源反激高频电压器设计

本文介绍了反激变压器磁芯选型的四种常用方法：Ae法（基于输出功率估算有效截面积）、输出功率表法（查厂商数据表）、Ve法（结合电流纹波率与开关频率）及Ap法（Ae×Aw，综合考虑截面积与窗口面积）。其中，Ae法公式为Ae=0.15Pm，需考虑损耗；Ap法结果偏小，应适当放大；各方法均需考虑窗口利用率、电流密度、最大磁通密度等参数，以确保设计安全可靠。

原创 反激开关电源，dcm和ccm的优缺点对比

<think>我们只需要根据表格内容生成≤150字的摘要。需要涵盖DCM和CCM的对比要点。注意字数。</think>DCM模式下电感电流每周期降至零，控制简单、峰值电流小、效率高，适合小功率，但峰值电流大、纹波大；CCM模式电流不归零，适用于中大功率（50W以上），但控制复杂、环路设计难。CCM中MOS导通前有电流，存储载流子被反偏电压抽走，形成反向恢复电流；DCM导通前电流为零，反向恢复电流小（肖特基二极管更小）。

原创 ad中爬电距离不够，挖空增加距离，使用裁切，板子中间挖空

在PCB设计中，可通过以下步骤实现裁切：首先在底层选择keep-out-layer，然后在需要裁切的区域走线（同样设置为keep-out-layer），最后通过工具-转换-剪切功能完成操作。这个方法利用keep-out-layer的禁布特性定义裁切边界，适用于不规则形状的板边切割需求，操作简单高效。

原创 ad编译库的时候报错Could not create integrated library...

摘要：Altium Designer编译失败通常由两种原因导致：1.库文件被面板占用，需在组件面板中移除相应库后重新编译；2.后台死锁残留文件，需关闭软件手动删除库文件（必要时重启电脑）。两种情况处理后都能恢复正常编译。

原创 更换新的元器件，更新pcb，AD中出现unknown pin

摘要：解决PCB设计封装问题的步骤：首先确认器件封装完好，然后清理设计网格（如图示），最后重新更新PCB即可。操作简单，能有效修复封装异常问题。

原创 Altium Designer自定义变压器

本文详细介绍了在AD16软件中绘制自定义变压器原理图符号的完整步骤：1. 新建原理图库文件；2. 从默认库复制现成线圈进行拆解重组；3. 关键引脚放置（注意方向调整）；4. 修改引脚编号；5. 添加同名端标识；6. 保存并应用到原理图。重点强调了引脚方向的正确设置（十字端朝外）和同名端标注方法，通过复用现有元件与自定义绘制相结合的方式，可快速创建专业级原理图符号。

原创 贴片电容介绍

摘要：氧化铝陶瓷作为基底，提供绝缘耐高温特性。核心阻层由钌系金属氧化物浆料构成，通过两端银钯合金电极连接外部电路。电阻表面覆盖玻璃釉保护膜，高精度电阻采用激光刻槽微调阻值。这种结构设计兼顾导电性、稳定性和可调性，适用于精密电子元件制造。

原创 ai进步的速度好快，已经很强了，但是还在变强

原创 office卸载

摘要：本文详细介绍了彻底卸载Microsoft Office的步骤，包括删除ProgramData、ProgramFiles(x86)等系统目录中的Office相关文件，清理用户AppData下的Local和Roaming文件夹中的Office数据，以及删除任务计划程序中的Office任务。最后还涉及注册表清理，需要删除HKEY_LOCAL_MACHINE和HKEY_CURRENT_USER下Software\Microsoft路径中的Office相关键值。该流程可确保完全清除Office在系统中的所有残留

原创 终端复用Tmux

摘要：在Windows cmd中使用SSH连接服务器运行代码时，常因输出窗口崩溃导致不稳定。Tmux可解决此问题，让会话持续保存在服务器端。安装Tmux后，通过tmux attach命令可恢复之前会话。常用操作包括：Ctrl+b %左右分屏、Ctrl+b "上下分屏、Ctrl+b方向键切换分屏；标签页管理（Ctrl+b c/n/p创建/切换标签页）；退出方式：exit或Ctrl+b x关闭分屏，Ctrl+b &关闭整个标签页。

原创 判断能控，非常生动地判断是不是能控，现代控制原理，线代控制原理，自动控制原理

摘要：控制系统的分析表明，当方程中出现u（控制输入）时，系统具有可控性。公式2右侧出现X1变量，说明系统组件之间存在关联性，X1的状态变化会影响系统行为，从而实现对系统的控制。这种变量间的相互联系为系统控制提供了可能。

原创 使用pandoc将markdown转换为docx

摘要：使用Pandoc轻松实现Markdown转Word文档并保留公式。只需三步：1)官网下载安装Pandoc；2)在MD文件目录打开GitBash；3)执行命令"pandoc input.md -o output.docx --mathml"即可完美转换，公式会通过MathML保留。该方法简单高效，解决了其他工具无法转换公式的问题。

原创 Git实战：如何将当前未提交的修改迁移到新分支

摘要 本文介绍了如何将当前未提交的修改迁移到新分支的Git操作流程。针对开发中常见的"在主分支进行实验性修改后想独立保存"的场景，提供了完整的解决方案。核心步骤包括：1)使用git checkout -b创建并切换新分支；2)确认修改内容自动带入新分支；3)通过git add、git commit和git push完成提交推送。该方法既能保留工作区修改，又能保持主分支清洁，适用于需要隔离特定修改的场景。

原创 环境配置。

本文提供了使用conda和pip安装PyTorch 2.5.1及相关深度学习工具包的完整命令。首先创建Python 3.10环境并激活，然后安装PyTorch核心组件及CUDA 12.1支持。接着安装PyTorch Geometric图神经网络库及其依赖项，以及transformers、accelerate等常用NLP工具。文中提供了清华源和阿里云两种镜像源安装方案，包含解决SSL证书问题的配置方法。最后还补充了数据科学常用库如numpy、pandas、scikit-learn等的安装命令，以及Jupyte

原创 隐藏Gemini脚本

摘要：这个油猴脚本提供了强力隐藏Gemini网站左上角Logo的解决方案。通过CSS规则隐藏带有"Gemini"字样的链接、图片和标题元素，并使用JavaScript每500毫秒检查一次页面，应对动态加载内容。脚本采用多重检测机制：包括aria-label属性匹配、href链接检测、元素位置判断和字体大小验证，确保准确识别Logo元素。设置display:none、visibility:hidden等多重隐藏属性，并提供备用选择器防止误判。

原创 xrdb: Connection timed out

在XLaunch中运行xfce4和小海龟时，发现必须执行export DISPLAY=:0才能正常显示。通过将该命令添加到~/.bashrc文件并执行source ~/.bashrc，可以避免每次手动输入，实现自动设置DISPLAY环境变量。

原创 WPF中CommunityToolkit自带窗体传参工具WeakReferenceMessenger

摘要：本文演示了使用WeakReferenceMessenger进行对象参数传递的方法。首先定义User数据类和继承ValueChangedMessage的LoginMessage消息类；然后通过Send方法发送包含User对象的消息；最后在接收端通过Register方法处理消息，提取并显示对象属性。实现了一个完整的消息传递流程，展示了如何在不同组件间传递复杂对象数据。

原创 UV环境+UV环境中CUDA安装

UV安装有两种方法：Windows可通过PowerShell命令安装，Mac/Linux参考官方教程；或从GitHub下载并配置环境变量。Python安装按官方文档操作。CUDA安装需先创建并激活虚拟环境，再使用uvpip命令安装PyTorch相关包。详细步骤可参阅官方文档。

原创 Transformer自注意力机制

该代码实现了一个简化版的Self-Attention机制，用于处理二维词向量。核心部分包括：1)初始化三个线性变换层W_q、W_k、W_v来生成查询、键和值矩阵；2)前向传播时计算查询和键的点积相似度，并进行缩放；3)使用softmax将相似度转换为注意力权重；4)最后与值矩阵相乘得到注意力得分。该实现去除了偏置项以简化计算，适用于处理二维词向量数据，展示了自注意力机制的基本原理。

原创 wpf依赖注入驱动的 MVVM实现（含免费源代码demo）

Avalonia实现依赖注入绑定的简化方案：通过Microsoft.Extensions.DependencyInjection替代Prism框架功能。关键步骤包括：1）安装相关NuGet包；2）正常编写View和ViewModel；3）创建ServiceLocator类，在构造函数中注册ViewModel并构建服务容器；4）在View中通过静态资源绑定DataContext。该方法避免了Prism框架的臃肿，提供了轻量级的MVVM实现方案。完整示例代码已开源在GitHub仓库wpf_test中。

原创 C#八股文：const和readonly

原创 pytorch环境配置，亲测有效

本文介绍了PyTorch深度学习环境的搭建方法。主要内容包括：1）安装Anaconda作为Python环境管理工具；2）配置PyTorch框架（支持GPU和CPU两种版本）；3）安装PyCharm和VSCode两种主流开发工具。通过详细的安装步骤指导，帮助读者快速搭建完整的PyTorch开发环境，为后续深度学习项目开发做好准备。

原创 .NET/C# webapi框架下给swagger的api文档中显示注释（可下载源码）

.NET 9 中实现带注释的 Swagger API 文档 本文介绍了在 .NET 9 中如何为 Web API 添加 Swagger 文档支持： 在 Controller 中创建 Post 和 Put 方法，使用 /// 注释添加方法说明 在项目属性中启用 XML 文档生成 在 Swagger 配置中添加 IncludeXmlComments 以包含注释 最终实现效果：Swagger UI 中会显示完整的 API 方法和注释说明 这种方法可以方便地为 API 添加文档支持，提升开发体验和 API 的可读性

原创 机器学习sklearn:支持向量机svm

本文演示了使用SVM分类器绘制决策边界的过程。首先通过make_blobs生成50个二分类样本数据，然后用线性核SVM训练模型。可视化部分展示了：1) 按类别着色的数据点；2) 黑色实线决策边界和虚线间隔边界；3) 用空心圆标记的关键支持向量。代码使用contour函数绘制决策面，并通过decision_function计算间隔距离，清晰地展现了SVM如何找到最优分类超平面和间隔边界。该示例直观说明了SVM通过支持向量确定决策边界的基本原理。

原创 机器学习sklearn:聚类

本文介绍了无监督学习中的聚类方法及其应用。首先通过生成四簇数据集并利用KMeans算法将其聚合为三簇，展示了聚类过程和相关评估指标（轮廓系数和Calinski-Harabasz指数）。其次，详细说明了轮廓系数分析图的绘制方法，用于评估聚类效果。最后，重点演示了如何运用KMeans聚类实现图像压缩：将图像颜色从96,615种减少到64种，通过比较KMeans和随机初始化的压缩效果，验证了KMeans在颜色聚类上的优势。文章还提及了KMeans参数max_iter的作用，为聚类分析提供了实用指导。

原创 机器学习sklearn:逻辑回归

本文比较了L1和L2正则化的逻辑回归模型在乳腺癌数据集上的表现。实验使用scikit-learn库，通过调整正则化参数C值（0.05到1之间），评估了两种正则化方式在训练集和测试集上的准确率变化。结果显示，L1正则化在训练集上表现更优，而L2正则化在测试集上更具优势。可视化结果表明，随着C值增加，模型复杂度提高，过拟合风险增大。该研究为逻辑回归中正则化选择提供了参考，L2正则化可能更适合提升模型泛化能力。

原创 机器学习sklearn：降维

本文使用PCA对鸢尾花数据集进行降维处理。首先导入matplotlib和sklearn相关模块，加载鸢尾花数据集。原始数据为4维，通过PCA降为2维以方便计算和可视化。降维过程会丢失部分信息且不可完全逆转，但能有效消除噪声。降维结果的可读性较差，但更便于数据分析和可视化展示。降维技术在机器视觉等领域有广泛应用。

原创 机器学习sklearn：过滤

本文介绍了四种特征选择方法来优化机器学习模型性能：1）方差过滤通过方差阈值删除低方差特征；2）卡方过滤结合F检验或互信息法选择与标签相关的特征；3）嵌入法利用随机森林评估特征重要性；4）包装法通过递归特征消除逐步筛选最优特征集。每种方法都提供了代码实现，并通过交叉验证评估效果，最终目的是减少计算资源消耗并提升模型表现。

原创 机器学习sklearn：编码、哑变量、二值化和分段

本文介绍了四种数据预处理方法以适配机器学习模型：1）标签编码（LabelEncoder）将分类变量转为数值；2）独热编码（OneHotEncoder）处理多分类特征；3）二值化（Binarizer）按阈值离散化数值；4）分段离散（KBinsDiscretizer）将连续值分箱处理，支持序数编码和独热编码两种输出方式。这些方法能有效将不同类型的数据转换为适合算法处理的数值格式。

原创 机器学习sklearn：处理缺失值

摘要：本文介绍了使用Scikit-learn的SimpleImputer处理泰坦尼克号数据缺失值的方法。首先导入数据并检查缺失情况，然后针对Age列分别演示了均值、中位数和0值填补策略，最终选择中位数填补。对于Embarked列则采用众数填补。此外还展示了使用Pandas直接填充中位数的方法。全文通过具体代码示例展示了数据预处理的关键步骤，包括数据读取、缺失值识别和三种不同的填补策略应用。文末附有完整的原始数据集供参考。

原创 机器学习sklearn：随机森林的决策树

本文比较了随机森林与决策树的性能差异。通过10折交叉验证实验发现，随机森林（n_estimators=25）的平均得分显著高于单棵决策树。重点探讨了随机森林的关键参数：n_estimators（树的数量）越大效果越好但更耗资源（实验测试1-200棵树），n_jobs控制CPU核心使用，oob_score可自动划分测试集。文章还介绍了predict_proba接口可输出各类别概率。实验通过可视化展示了不同参数对模型性能的影响。

原创 机器学习sklearn：泰坦尼克幸存预测（决策树、网格搜索找最佳参数）

摘要：本文展示了使用决策树分类器预测泰坦尼克号生存率的完整流程。首先对数据进行预处理，删除无关特征并处理缺失值，将分类变量转换为数值类型。然后将数据划分为训练集和测试集，建立基础决策树模型进行评估。通过可视化不同max_depth参数下的训练/测试表现，发现并非拟合度越高模型效果越好。最后采用网格搜索(GridSearchCV)寻找最优参数组合，包括splitter、criterion、max_depth等参数的最佳配置。整个流程涵盖了数据清洗、特征工程、模型训练评估和参数调优等关键步骤。

原创 机器学习sklearn：决策树的参数、属性、接口

本文介绍了决策树的8个核心参数、1个属性和4个接口。8个参数包括：Criterion（分裂标准）、random_state（随机种子）、splitter（分裂策略）以及5个剪枝参数（max_depth等）。特征重要性可通过feature_importances_属性查看。4个主要接口为：fit（训练）、score（评分）、predict（预测）和apply（获取叶节点索引）。文章以葡萄酒数据集为例，展示了决策树的完整使用流程，包括参数设置、模型训练和结果预测。重点说明了各参数的作用，如criterion选择

原创 机器学习sklearn：不纯度与决策树构建

决策树通过不纯度指标（信息熵、基尼系数）选择最优分割节点，降低节点样本混杂程度。完全生长的决策树易过拟合，需采用剪枝方法：预剪枝限制参数（最大深度、最小样本数等），后剪枝剪除冗余分支。剪枝能简化树结构，提升模型泛化能力，防止对训练数据过度拟合。

原创 机器学习sklearn入门：归一化和标准化

本文介绍了数据预处理中的归一化和标准化方法。归一化（MinMaxScaler）将数据线性变换到指定范围（默认[0,1]），适用于限定输入范围的情况；标准化（StandardScaler）将数据转换为均值为0、方差1的分布，适用于需要正态分布的算法。两种方法都可通过scikit-learn实现，支持一步转换(fit_transform)和逆向转换(inverse_transform)。归一化适合神经网络输入和图像处理，标准化适合PCA、线性回归等算法。文章还演示了改变归一化范围和使用标准化查看统计量的具体代码

原创 随机森林回归树

bg：用来计算缺失项，内容挺多的，还写不出来，有空再回去看看。