两轮自平衡车的吸引区域估算方法

在很多情况下,精确求解系统的吸引区域是非常困难的。以两轮自平衡车为例,利用二次Lyapunov函数的坐标变换方法来扩大吸引区域估算值。通过与吸引区域估算结果的对比,证明该坐标变换方法的有效性和计算的简便性。最后运用开源的Python程序仿真验证了在吸引区域范围内的初始条件,均可通过PID线性控制器使车体平衡稳定。     

基于改进灰狼优化算法的自动化立体仓库作业能量优化调度

针对带有截止时间约束的自动化立体仓库出入库作业调度问题,以调度过程中堆垛机能量消耗为优化目标建立数学模型,并引入相应的惩罚函数。对于入库货物,同时考虑定位存储和随机存储两种入库策略,采用一种最近邻货位选择策略对随机存储货物进行合理货位分配。采用一种改进灰狼优化算法对问题进行求解,算法通过引入融合Lévy飞行的混合个体更新策略和多种群重组策略来增强算法的搜索能力。通过仿真实验验证了改进灰狼优化算法在求解自动化立体仓库出入库作业能量优化调度问题的有效性。     

基于Copula-POME的负荷与气象因素相关性度量研究

负荷与气象因素的关系是非线性且模糊的，针对传统的线性相关系数不能准确刻画负荷与其气象成因的相依结构。在分析负荷对气象因素响应的基础上，提出了结合Copula函数与最大熵原理（POME）的负荷与气象因素相关性度量方法，该方法基于POME建立了负荷与气象因素的边缘分布，利用Copula函数拟合了负荷与气象多变量系统中的非线性相依结构，并推导了度量相关性的Kendall秩相关系数、Spearman秩相关系数和Copula熵。在实际的负荷和气象系统中的应用表明，Copula-POME方法在分析负荷与其气象成因关系时无先验分布假定，具有灵活的函数形式，能准确表达多变量系统的相依结构；秩相关系数和Copula熵弥补了线性相关系数在度量尾部相关中的不足，能准确度量负荷与气象因素的相关性。     

基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

均匀T网格样条曲面的局部细分算法

为解决T样条曲面造型中控制点插入的规范与半规范问题,提出基于均匀T网格样条曲面的局部细分算法。首先根据T样条曲面定义,将B样条曲面转换成均匀T网格样条曲面,然后在均匀T网格样条曲面中进行局部均匀控制点插入。为满足曲面局部特征细分要求,采用递进控制点插入形式:拥有局部特征的网格先进行全行(或全列)均匀控制点插入,之后进行局部列(局部行)均匀控制点插入,在此基础上,可以再次进行均匀控制点插入,以达到对网格的嵌套细分。该算法对初始网格控制点的混合函数进行矩阵转换,得到最终T网格上控制点的混合函数,实现最终曲面构造。与T样条曲面的局部细分相比,该方法简化了任意控制点插入的复杂度,与B样条曲面的局部细分相比,该方法减少了多余控制点。     

Excel中的函数在数据统计中的应用

在日常工作、学习、生活中,经常要对符合条件的数据进行统计,以了解数据的分布情况,便于确定下一步将要采取或执行的措施.