带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器，可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿，可提高系统抗负载扰动能力； 提供算法对应的参考文献和仿真模型，支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建，不是从网络上复制得到。

由于葛泉矿煤层底板受大青灰岩和奥陶系灰岩含水层的威胁,为保护工作面回采时底板不受突水危害,采用KJ959微震监测系统对11913运输大巷及周边区域布置拾震传感器进行实时监测,监测回采工作面底板下"三带"裂隙发育情况,并通过定位标定炮位置研究了巷道微震监测定位的准确性。

DeepAccNet.py 描述的 DeepAccNet 的 Python-PyTorch 实现 此方法将使用称为 l-DDT（局部距离差异测试）的度量来估计您的蛋白质模型的效果。 usage: DeepAccNet.py [-h] [--modelpath MODELPATH] [--pdb] [--csv] [--leaveTempFile] [--process PROCESS] [--featurize] [--reprocess] [--verbose] [--bert] [--ensemble] input ... Error predictor network positional arguments: input path to input fold

1.项目基于FasterRCNN 模型，通过RPN 网络获取图片候选区域，以Restnet50 提取特征，实现生活垃圾的智慧分拣。 2.项目运行环境：硬件环境和Python 环境。其中FasterRCNN 对计算要求较高，有一部分是Restnet50 的卷积层。必须使用较大内存的GPU 才可以完成训练。在本项目中，用华为云提供的模型训练服务（GPU tesla P100)实现，链接:https://www.hwtelcloud.com/products/mts。 3.项目包括2个模块：5 个模块：数据预处理、数据加载、模型构建、模型保存及训练、模型加载及调用。数据下载地址： https://pan.baidu.com/s/1ZAbzYMLv0fcLFJsu64u0iw，提取码 yba3 4.准确率评估：本部分包括模型准确率和分类别准确率。数据总体准确率为 0.840 识别效果比较理想。其中面包、菜根、瓜子壳的类别准确率较低。

使用pytorch写的mobilenet v2代码，详细注释，可以生成训练集和测试集的损失和准确率的折线图，详细注释了神经网络的搭建过程

LFW数据集主要测试人脸识别的准确率，该数据库从中随机选择了6000对人脸组成了人脸辨识图片对，其中3000对属于同一个人2张人脸照片，3000对属于不同的人每人1张人脸照片。测试过程LFW给出一对照片，询问测试中的系统两张照片是不是同一个人，系统给出“是”或“否”的答案。通过6000对人脸测试结果的系统答案与真实答案的比值可以得到人脸识别准确率。 这个集合被广泛应用于评价 face verification算法的性能。

AdTree实现了以下描述的树重构方法： Shenglan Du, Roderik Lindenbergh, Hugo Ledoux, Jantien Stoter, and Liangliang Nan. AdTree: Accurate, Detailed, and Automatic Modelling of Laser-Scanned Trees. Remote Sensing. 2019, 11(18), 2074. 如果您使用代码/程序（或部分代码），请考虑引用我们的论文。 从点云重建的3D树 生成并运行AdTree 预编译的可执行文件（适用于macOS ， Linux和Windows ）可在下载。 AdTree依赖于某些第三方库，并且大多数依赖项都包括在除外。 因此，您需要先安装Boost。 注意：AdTree使用已剥离的早期版本，该版本与最新版本不兼容。 您需

cbschuld / browser.php 通过用户代理帮助在PHP级别检测用户的浏览器和平台 安装 您可以使用将该库作为本地的，基于项目的依赖项添加到您的项目中： composer require cbschuld/browser.php 如果仅在开发过程中需要此库（例如，运行项目的测试套件），则应将其添加为开发时依赖项： composer require --dev cbschuld/browser.php 典型用法： $ browser = new Browser (); if ( $ browser -> getBrowser () == Browser :: BROWSER

史上最全猫狗二分类、以pytorch为基础的猫狗二分类、预测准确率超高的猫狗二分类、软件工程必看

Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到