人工智人-家居设计-大数据驱动的智能交通云服务构建与组合技术研究.pdf

针对离线算法的不足，提出了一种在线虚拟参考反馈整定(VRFT)数据驱动算法。首先利用滤波器改变了离线算法的时序，得到用于实时运算的有效数据；然后提出了基于带遗忘因子递推最小二乘法的VRFT控制器参数辨识方法，不依赖于对象模型，完全利用实时数据实现了在线控制器参数整定。仿真结果表明, 在对象特性变化较大的情况下，在线VRFT方法优于传统的离线VRFT方法，具有很好的自适应性。

包含 DmJdbcDriver16.jar、DmJdbcDriver17.jar、DmJdbcDriver18.jar、dm8-oracle-jdbc16-wrapper.jar 以及配置说明

动态表 对地图布局的修改不仅限于用户在 ArcMap 中可以执行的操作。 ArcPy 提供了一些强大的工具，不仅用于操作图层，还用于更改地图文档中元素的外观和内容。 下面的代码和文档演示了如何在地图上构建表格，以响应“数据驱动页面”中的当前页面以及与该特定页面相关的数据。 虽然代码相对简单，但有一些 Python 组件，例如列表推导式、您应该熟悉的类以及 ArcPy 的游标和映射模块的知识。 让我们通过下面的设置和示例来看看这一切是如何工作的。 设置 对于任何数据驱动页面设置，您都需要一个索引层。 索引图层是一组要素，这些要素将根据要素的范围或索引图层属性表中定义的比例循环生成多个地图。 在您的 mxd 中，您需要在图层上启用数据驱动页面并设置“名称字段”参数。 此“名称字段”将成为稍后查询表（即 dbf）的关键组件。 下一阶段的设置都发生在 mxd 的“布局视图”中。 到达那里后

热轧过程控制设备监测系统的设计与实现rar,热轧过程控制设备监测系统的设计与实现

Jupyter Notebook 修正模型 数据导出 数据预处理 波导计算

空气质量预测 近年来，空气污染急剧增加，并且对所有生物造成的影响更糟。 世界上大多数国家都在与日益增加的空气污染水平作斗争。 因此，控制和预测空气质量指数已成为必要。 在此研究项目中，我们将实施数据挖掘和机器学习模型来预测AQI并将AQI归类。 对于AQI预测，我们已经实现了五个回归模型主成分，偏最小二乘法，留一维CV的主成分，留一维CV的偏最小二乘，多个印度城市的多元回归AQI数据。 根据AQI的值，AQI指数进一步分为6个不同的类别，即“好，满意，中，差，非常差和严重”。 为了预测AQI桶，我们使用重复CV分类算法开发了三种分类模型，分别是多项式Lo​​gistic回归和K最近邻和K最近邻。 来自印度不同城市的空气质量数据集，具有留一法交叉验证的PLS模型。

锂电池数据驱动方法学习过程，通过BP神经网络梯度下降法训练网络参数，利用具体数据集训练，数据的20%用于验证训练算法鲁棒性

偏最小二乘法教程 详细介绍了偏最小二乘的用法

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。