:
行业研究
基于滑膜观测器的无感Foc控制算法：永磁同步电机稳定控制方案，开源C代码及原理分析,无感Foc控制 滑模观测器smo 永磁同步电机正弦波控制方案 直流无刷电机
提供stm32 和 dsp源码
提供keil完整工程，不是st电机库
对电机参数不敏感，50%误差依然控制稳定
带有电流速度双闭环的pid程序。
算法采用滑膜观测器，启动采用Vf，
全开源c代码，全开源，启动顺滑，很有参考价值。
含有原理图，smo推导过程，simulink仿真模型。
。
,无感Foc控制; 滑模观测器(SMO); 永磁同步电机正弦波控制方案; 直流无刷电机控制; STM32和DSP源码; Keil完整工程; 算法误差稳定性; 电流速度双闭环PID程序; 全开源C代码; 启动顺滑性; 原理图; smo推导过程; simulink仿真模型。,基于滑模观测器的无感Foc控制：永磁同步电机正弦波控制方案全开源源码
MATLAB下的安全强化学习：利用Constraint Enforcement块训练代理实现目标接近任务,MATLAB代码：安全 强化学习
关键词：safe RL
仿真平台：MATLAB
主要内容：此代码展示了如何使用 Constraint Enforcement 块来训练强化学习 (RL) 代理。
此块计算最接近受约束和动作边界的代理输出的动作的修改控制动作。
训练强化学习代理需要 Reinforcement Learning Toolbox 。
在此示例中，代理的目标是使绿球尽可能靠近红球不断变化的目标位置。
具体步骤为创建用于收集数据的环境和代理，学习约束函数，使用约束强制训练代理，在没有约束执行的情况下训练代理。
,核心关键词：safe RL; MATLAB代码; Constraint Enforcement 块; 强化学习代理; 绿球; 红球目标位置; 数据收集环境; 约束函数; 约束强制训练; 无约束执行训练。,MATLAB中安全强化学习训练的约束强化代理实现
贝叶斯多特征输入单输出二分类及多分类模型详解：详细注释的Matlab程序与可视化图表展示,利用贝叶斯Bayes做多特征输入单输出的二分类及多分类模型。
程序内注释详细，直接替数据就可以用。
程序语言为matlab。
程序可出分类效果图，优化过程图，混淆矩阵图具体效果如下所示。
,核心关键词：贝叶斯Bayes; 多特征输入; 单输出二分类; 多分类模型; 程序内注释详细; MATLAB语言; 分类效果图; 优化过程图; 混淆矩阵图。,贝叶斯分类模型：MATLAB实现二分类与多分类的快速构建与可视化优化过程图解
Matlab中的HMM隐马尔科夫与Markov马尔科夫时间序列预测源代码及数据集（可运行，适用于单变量预测）,HMM隐马尔科夫时间序列预测 Markov马尔科夫时间序列预测（Matlab）
1.所有程序经过验证，保证可以运行
2.程序包括源码（主程序一个，子函数两个）和数据集；
3.程序适用于单变量时间序列预测。
注意：HMMP为主程序、data为数据集，其余m文件为函数文件，运行主文件HMMP即可。
,HMM隐马尔科夫模型; 时间序列预测; Matlab程序; 验证可用; 主程序; 函数文件; 单变量预测; 包含源码与数据集。,"HMM与马尔科夫模型结合的时间序列预测程序（Matlab）验证版"
2048点fft逆变ifft硬件实现
modeldim仿真
quartusii综合
matlab全新 仿真验证
只支持定点数，不支持浮点数
软件2303罗宏泰6020231877 (1).zip
程序设计代码 (1).zip
内点法最优潮流程序matlab
采用内点法对14标准节点系统进行最优潮流计算，程序运行稳定，注释清楚，通用性强
电动汽车在电网中的能量管理和调度。
第一部分的部分图展示如下。
（注意:四个工作写一起了，每一个都是单独工作）
1 基于网损灵敏度，电池老化等成本实时调度策略。
包括程序和数据，基于cvx求解。
2 孤网支持的充电站的能量调度。
（风能和光能，基于cvx求解）
3 提出负载率、充电重合度等指标，评估电网对电动汽车的接纳能力，并用合理的调度策略进行求解计算。
4 发电侧的火、光、风的时间协调，配电侧电动汽车和基础负荷的空间分配。
程序基于cplex和yalmip编写。
分布式鲁棒电力系统状态估计 源代码，代码按照高水平文章复现
分布式PSSE方法它利用了传统的基于最小二乘的PSSE，并提供了一个鲁棒状态估计器。
通过利用压缩采样，联合估计状态在IEEE14、IEEE118和4200节点基准上对新算法进行了数值评估。
仿真结果表明，在少量区域间交的情况下，可以达到所能达到的精度。
相量测量单元;SCADA测量;互联状态估计
局部域的分布式优化:MPC和网络流中的应用
通信高效的分布式算法，它找到一个向量x，使所有函数的总和最小化。
我们额外假设函数有相交的局部域，即每个函数只依赖于变量的一些组成部分。
因此，每个节点需要的是只知道x的一些分量，而不是整个向量。
这可以提高沟通效率。
我们将我们的算法应用于分布式模型预测控制(D-MPC)和网络流问题，并通过在大型网络上的实验表明，提出的算法比现有的最先进的算法需要更少的通信来收敛。
指标项分布算法、交替方向乘子法(ADMM)、模型预测控制
