learningMatlab PhÇ n 1 c¬ së Mat lab Ch ¬ ng 1: Cµ i ® Æ t matlab 1.1.Cµ i ® Æ t ch ¬ ng tr×nh: Qui tr×nh cµ i ® Æ t Matlab còng t ¬ ng tù nh viÖ c cµ i ® Æ t c¸ c ch ¬ ng tr×nh phÇ n mÒ m kh¸ c, chØ cÇ n theo c¸ c h íng dÉ n vµ bæ xung thª m c¸ c th« ng sè cho phï hî p. 1.1.1 Khë i ® éng windows. 1.1.2 Do ch ¬ ng tr×nh ® î c cÊ u h×nh theo Autorun nª n khi g¾ n dÜ a CD vµ o æ ® Ü a th× ch ¬ ng tr×nh tù ho¹ t ® éng, cö a sæ
標簽： learningMatlab 172 199 173
上傳時間： 2013-12-20
上傳用戶：lanwei
metricmatlab ch ¬ ng 4 Ma trË n - c¸ c phÐ p to¸ n vÒ ma trË n. 4.1 Kh¸ i niÖ m: - Trong MATLAB d÷ liÖ u ® Ó ® a vµ o xö lý d íi d¹ ng ma trË n. - Ma trË n A cã n hµ ng, m cét ® î c gä i lµ ma trË n cì n m. § î c ký hiÖ u An m - PhÇ n tö aij cñ a ma trË n An m lµ phÇ n tö n» m ë hµ ng thø i, cét j . - Ma trË n ® ¬ n ( sè ® ¬ n lÎ ) lµ ma trË n 1 hµ ng 1 cét. - Ma trË n hµ ng ( 1 m ) sè liÖ u ® î c bè trÝ trª n mét hµ ng. a11 a12 a13 ... a1m - Ma trË n cét ( n 1) sè liÖ u ® î c bè trÝ trª n 1 cét.
標簽： metricmatlab 203 184 tr
上傳時間： 2017-07-29
上傳用戶：來茴
神經網絡在智能機器人導航系統中的應用研究1神經網絡在環境感知中的應 用 對環境 的感 知 ，環境模型 妁表示 是非常重要 的。未 知 環境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊格法表示范圍較大的工作環境，在滿足 精度要求 的情況下，必定要占用大量的內存，并且采用柵 格法進行路徑規劃，其計算量是相當大的。Kohon~n自組織 神經瞬絡為機器人對未知環境的蒜知提供了一條途徑。 Kohone~沖經網絡是一十自組織神經網絡，其學習的結 果能體現出輸入樣本的分布情況，從而對輸入樣本實現數 據壓縮 。基于 網絡 的這些特 性，可采 用K0h0n曲 神經元 的 權向量來表示 自由空間，其方法是在 自由空間中隨機地選 取坐標點xltl【可由傳感器獲得】作為網絡輸入，神經嘲絡通 過對大量的輸八樣本的學習，其神經元就會體現出一定的 分布形 式 學習過程如下：開 始時網絡的權值隨機地賦值 ， 其后接下式進行學 習： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經元 1在t時刻對 應的權值 ；a(∽ 謂整系 數 ； (『l網絡的輸八矢量；Ⅳ()：學習的 I域。每個神經元能最 大限度 地表示一 定 的自由空間 。神經 元權 向量的最 小生成 樹可以表示出自由空問的基本框架。網絡學習的鄰域 (，) 可 以動 態地 定義 成矩形 、多邊 形 。神經 元數量 的選取取 決 于環境 的復雜度 ，如果神 經元 的數量 太少 ．它們就 不能 覆 蓋整十空間，結果會導致節點穿過障礙物區域 如果節點 妁數量太大 ．節點就會表示更多的區域，也就得不到距障 礙物的最大距離。在這種情況下，節點是對整個 自由空間 的學 習，而不是 學習最 小框架空 間 。節 點的數 量可 以動態 地定義，在每個學習階段的結柬．機器人會檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節點 來 覆蓋整 十 自由窯 間，需要增加 網絡節點來 重新學 習 所 138一 以為了收斂于最小框架表示 ，應該采用較少的網絡 節點升 始學習，逐步增加其數量。這種方法比較適臺對擁擠的'E{= 境的學習，自由空間教小，就可用線段表示；若自由空問 較大，就需要由二維結構表示 。 采用Kohonen~沖經阿絡表示環境是一個新的方法。由 于網絡的并行結構，可在較短的時間內進行大量的計算。并 且不需要了解障礙物的過細信息．如形狀、位置等 通過 學習可用樹結構表示自由空問的基本框架，起、終點問路 徑 可利用樹的遍 歷技術報容易地被找到 在機器人對環境的感知的過程中，可采用人】：神經嘲 絡技術對 多傳 感器的信息進 行融臺 。由于單個傳感器僅能 提 供部分不 完全 的環境信息 ，因此只有秉 甩 多種傳感器 才 能提高機器凡的感知能力。 2 神經 網絡在局部路徑規射中的應 用 局部路徑 規刪足稱動吝避碰 規劃 ，足以全局規荊為指 導 利用在線得到的局部環境信息，在盡可能短的時問內
上傳時間： 2022-02-12
上傳用戶：qingfengchizhu
摘要：隨薦電力電子設備、交直流電弧爐和電氣化鐵道等非線性、沖擊性負荷的大量接入電網，引起了電網無功功率不足、電壓波動與閃變、三相供電不平衡以及電壓電流波形畸變等其它一系列電能質景問題，并嚴重威脅著電力系繞的安全穩定運行。首先，本文介紹了無功功率的基本概念，介紹了無功功率對電力系統的影響以及無功補償的作用，并詳盡的閘述了國內外無功補償裝置的歷史以及現狀。其次，本文詳細分析了靜止無功補償器（SVC）和靜止無功發生器（SVC）的基本結構，控制方法和工作原理，以及各自優特點。并且闡述了它們的工作特性。再次，本文著重進行了對SVG型靜止無功補償器提高系統電壓的理論研究。利用MATLAB/SIMLINK仿真軟件對SVG工作方式及利用SVG動態提高系統電壓的原理進行仿真研究。并對仿真結果進行了全面外析VRe，本完成了（利t功補t控制器的設計，該控a器a系統硬件上采用了由STC生產的STCIOFO8X單片機作為主控制器。采用ATT7022作為電能檢測芯片，實現電網參數的精確深樣與計算，在系統軟件上采用品剛管控制投切電容器，實現了電容器的快速，無弧的投切。采用全中文液品顯示界面實時顯示系統運行狀況.關；無，SVG，svc，STC10FO8X隨著現代電力電子技術的飛速發展，大量大功率、非線性負荷的接入電網中，使得電網供電質量受到了嚴重的威脅。特別是一些像電弧爐、軋機、整流橋等非線性和沖擊性負荷的大量使用是導致電能質量惡化的最主要來源，造成了一系列嚴重的影響理想狀態的電力供應要求頻率為50Hz，電壓幅值穩定在額定值的標準正弦波形。在三相電網供電系統中，A，B.C三相電壓電流的幅值大小相等、相位差依次落后120度。但當電力用戶的各種用電裝置接入電力系統后，電力供應由理想的電力供應變成了電壓電流偏離這種狀態的非理想狀態。電網中的許多用電負荷都具有低功率因數、非線性、不平衡性和沖擊性的特征，這些特征嚴重地危害著電網的電力供應，可表現在：電壓值跌落或浪涌、各次諧波含量大、電壓波形發生閃變、電壓電流波形失真等，這樣便出現了電能質量問題。實際電網中的電能質量問題主要表現如下：
上傳時間： 2022-06-17
上傳用戶：
PowerPCB精采視頻教程
上傳時間： 2013-07-06
上傳用戶：eeworm
GB／T 4728.10-2008 電氣簡圖用圖形符號 第10部分：電信：傳輸.PDF
上傳時間： 2013-08-04
上傳用戶：eeworm
GB／T 4728.09-2008 電氣簡圖用圖形符號 第09部分：電信：交換和外圍設備
上傳時間： 2013-07-12
上傳用戶：eeworm
GB／T 4728.13-2008 電氣簡圖用圖形符號 第13部分： 模擬元件
上傳時間： 2013-06-07
上傳用戶：eeworm
GB／T 4728.03-2005 電氣簡圖用圖形符號 第03部分：導體和連接件
上傳時間： 2013-04-15
上傳用戶：eeworm
GB／T 4728.05-2005 電氣簡圖用圖形符號 第05部分：半導體管和電子管
上傳時間： 2013-07-22
上傳用戶：eeworm
