为促进居民用户柔性负荷高效参与需求响应，帮助 用户从被动角色转变为主动角色，实现需求侧最大效益。本文在智能电网环境下，根据用电设备的特性，以概率论 的角度对家电设备状态进行描述定义，基于异步深度强化 学习(asynchronous deep reinforcement learning，ADRL)进 行家庭能源管理系统调度的在线优化。学习过程采用异步 优势演员-评判家(asynchronous advantage actor-critic， A3C)方法，联合用户历史用电设备运行状态的概率分布， 通过多智能体利用CPU 多线程功能同时执行多个动作的 决策。该方法在包括光伏发电、电动汽车和居民住宅电器 设备信息的某高维数据库上进行仿真验证。最后通过不同 住宅情境下的优化决策效果对比分析可知，所提在线能耗 调度策略可用于向电力用户提供实时反馈，以实现用户用 电经济性目标。

多代理深确定性策略梯度 多主体深度确定性策略梯度（MADDPG）算法的Pytorch实现 这是我在论文中提出的算法的实现：“针对混合合作竞争环境的多主体Actor评论家”。 您可以在这里找到本文： : 您将需要安装多代理粒子环境（MAPE），可以在这里找到： : 确保创建具有MAPE依赖项的虚拟环境，因为它们有些过时了。 我还建议使用PyTorch 1.4.0版运行此程序，因为最新版本（1.8）似乎与我在计算批评者损失时使用的就地操作存在问题。 将主存储库克隆到与MAPE相同的目录中可能是最容易的，因为主文件需要该软件包中的make_env函数。 可以在以下位置找到本教程的视频： :

本资源详细介绍了2020-IEEE -Multi-Objective Matrix Normalization for Fine-Grained Visual Recognition论文中作者给的四个模型的复现结果、解决了加载模型参数出现的报错等问题、并附带作者的回信的内容。

ARM AMBA 3协议部分的文档

受MS Windows上运行的类似工具的启发，“优化RAM性能”的实用程序。

为了解决车辆转向过程中防抱死制动稳定性问题,提出multi-agents协同控制方法。首先利用黑板规则,根据转向系统和各个车轮agent状态以及整车状态进行任务协同,得到使汽车转向制动稳定的期望参考值。这些值可以自适应调节。其次在车辆伺服系统中采用改进自抗扰控制方法设计汽车纵向控制器和转向控制器,使伺服控制系统有更好的鲁棒性能进行精确跟踪期望输入命令。最后用仿真结果验证所设计的鲁棒自适应控制算法的稳定性和有效性。

SOFA A Multi-Model Framework for Interactive Physical Simulation 英中对照 翻译版本 有目录

论文电子档

更改说明：由于原来的multidemo.fig中只能使用已经确定的几幅图像来进行多小波变换，所以，我将其界面 进行了改动，以便除此之外你还可以用其他你想用的图片来做多小波变换，并查看效果。 注：源程序来自于MATLAB Central，本人只是为了应用更方便，而稍作修改。且本人对多小波一窍不通，:-) 如果您没有CSDN帐号，可以到这里下载： http://groups.google.com/group/pengjun85/browse_thread/thread/14ef7e3f3962161d

Multiband_Kamath.m 说明：Kamath于2002年提出的多频带谱减法,用于调节频率减法系数以及信噪比。 注意：信号的第一个0.25sec用于噪声建模。 Description: Multiband spectral subtraction as proposed by Kamath 2002. Uses adjusts the subtraction coefficient with the frequency as well as the SNR. note that the first 0.25sec of your signal is used to model the noise. License: Shareware Related: sec, Signal, Model, Noise, Frequency, coefficient, subtraction, Spectral, proposed O/S: BSD, Linux, Solaris, Mac OS X