基于Python+YOLO姿态估计模型+Deepseek开发的一套能够贴合真实训练场景、提供量化评估与个性化语言指导的“智能羽球教练”系统（源码+模型） 系统攻克“多动作连续分析”这一技术难点，融合YOLOv8姿态估计、多动作分段识别算法与生成式AI，开发一套能够贴合真实训练场景、提供量化评估与个性化语言指导的“智能羽球教练”系统，探索人工智能技术在体育科学领域深度应用的新范式。 实现功能： 从羽毛球训练视频中提取运动员人体关键点（姿态识别 / Pose Estimation）。 计算关键技术指标（如：击球时刻身体姿态、步伐移动距离、手臂/膝盖角度等）。 将这些量化指标组织成结构化描述，发送给 DeepSeek 大模型 API，生成中文自然语言评价与改进建议。 在视频或单帧图像上可视化（骨架、关键角度、评分）。

基于扩展卡尔曼滤波算法的车辆质量与道路坡度精准估计模型及Matlab Simulink实现,基于扩展卡尔曼滤波算法的车辆质量与道路坡度精确估计模型及应用研究,基于拓展卡尔曼滤波的车辆质量与道路坡度估计 车辆坡度与质量识别模型，基于扩展卡尔曼滤波，估计曲线与实际误差合理。 先用递归最小二乘法（RLS）质量识别，最后利用扩展卡尔曼坡度识别（EKF）。 附带对应文档21f 备Matlab simulink模型 2019以上版本 ,车辆质量估计;道路坡度估计;扩展卡尔曼滤波;递归最小二乘法;Matlab simulink模型,基于扩展卡尔曼滤波的车辆坡度与质量联合估计模型

基于Carsim与Simulink联合仿真的分布式驱动车辆状态估计模型研究：轮胎力观测与UKF SRCKF算法的鲁棒性提升,基于Carsim和Simulink联合仿真的分布式驱动车辆状态精确估计模型：UKF SRCKF算法与ASMO轮胎力观测器的融合应用,【 分布式驱动车辆状态估计模型】基于Carsim和simulink联合仿真，首先建立分布式驱动车辆轮毂电机模型，并使用pid对目标速度进行跟踪，随后在使用级联滑模观测器(ASMO)和车轮运动模型对轮胎力进行观测的基础上，使用UKF SRCKF算法对侧向车速，纵向车速，横摆角速度，质心侧偏角进行估计。 不同于基于七自由度模型的状态估计的是使用轮胎力观测器代替建立轮胎模型，防止迭代形式的误差累积（轮胎模型需要估计量作为输入，估计不准轮胎模型的输出相应误差就大）；此外为了解决Cholesky分解只能处理正定矩阵的问题，使用Utchol分解法在不影响估计效果的同时提升算法的鲁棒性。 ,核心关键词：分布式驱动车辆；状态估计模型；Carsim和simulink联合仿真；轮毂电机模型；PID控制；级联滑模观测器(ASMO)；UKF SRCKF算法

内容概要：本文详细介绍了使用MATLAB/Simulink构建电动汽车动力电池健康状态（SOH）估计模型的方法。模型分为三个主要部分：电池等效电路、SOC估算器和SOH计算模块。核心算法采用扩展卡尔曼滤波器进行SOC修正，并通过监测满充阶段的电压变化来计算SOH。文中提供了详细的代码实现，包括参数在线更新、温度补偿、以及模型验证方法。此外，还讨论了常见的调参技巧和注意事项，如SOC初始值敏感性和噪声注入等。 适合人群：从事电动汽车电池管理系统研究的技术人员、高校相关专业师生、对电池健康管理感兴趣的工程技术人员。 使用场景及目标：适用于电动汽车电池健康状态评估、电池管理系统优化、电池老化特性研究等领域。目标是提高电池健康状态估算的准确性，延长电池使用寿命，确保车辆安全可靠运行。 其他说明：建议读者在理解和掌握基本原理的基础上，逐步深入调优模型参数，避免盲目增加复杂度。同时，推荐使用公开数据集进行模型验证，确保结果的可靠性。

BMS电池管理系统中的SOC估计模型与卡尔曼滤波算法研究：基于Simulink的锂电池参数辨识与SOC估算,BMS电池管理系统SOC估计模型 电池管理系统simulink SOC电池参数辨识模型10个； 卡尔曼滤波算法锂电池SOC估算估算模型15个；SOC估算卡尔曼滤波估算 卡尔曼滤波31个； ,BMS电池管理系统;SOC估计模型;电池参数辨识模型;Simulink;卡尔曼滤波算法;锂电池SOC估算;SOC估算方法;卡尔曼滤波应用;电池管理,基于BMS的SOC估计模型研究：卡尔曼滤波算法与电池参数辨识模型的应用分析

mcmodels 贝叶斯参数估计模型 内容 models.py：多个模型的游乐场-Kruschke风格的BEST模型-Kruschke风格的BANOVA模型 fixdur.py：分段线性模型注视时间-尝试使用贝叶斯方法拟合扫视势头的影响- sdt_pymc2.py：信号检测理论模型

第4章行人步频探测和步长估计 第4章行人步频探测和步长估计 在行人航迹推算PDR算法中，步行速度和距离的确定，不再使用惯性导航 对加速度积分的方法，而是利用步态信号的周期性和信号统计特征与行走速度相 关的规律，采用步频探测和步长估计的方法。本章将回顾目前存在的步行速度和 距离估计算法，介绍基于多传感器平台MSP加速度计的步频探测算法和步长模 型，详细说明引入肌电信号EMG进行步频探测和步长估计的方法，并通过大量 的实验论证各种算法和模型的有效性。 4．1 传统步频探测算法和步长估计模型 如第二章介绍，在个人导航中，当GPS接收机无法正常工作时，使用自包 含传感器来辅助导航定位任务。传统惯性积分机制因为低成本加速度计的误差太 大而不可用，必须考虑其它替代方法。于是有学者根据行人步态的运动生理学特 性，提出了通过步频探测和步长估计间接地确定步行速度和距离的方法，从而避 免了积分机制对初始对准过程的苛刻要求和误差随时间累积的弊端。 然而，尽管加速度信号波形随着个人行走呈现出周期性的特征，加速度计放 置在人身上不同部位其波形和周期明显不同，如上半身的加速度波形没有stance 阶段，下半身的加速度信号具有双峰等。首先明确复步和单步的定义。复步 (Stride)，又叫跨步，其步长指从一只脚脚后跟着地到相同脚再次着地的距离。 单步(Step)，其步长指一只脚着地到另一只脚着地之间的距离。1个复步等同于 1个完整步态(Gait Cycle)，等于2个单步(Chai，2004)。当加速度计放置在人 上半身时，其测量的信号表现出与单步对应的波形，而放置在下半身时，其测量 的信号波形随该条腿对应复步变化，可参考图2．7。 由于加速度计测量的信号包含地球重力分量，受到仪器测量噪声和行走时身 体抖动的影响，开始步频探测前，一个必要步骤为信号预处理，剔除重力分量， 消除噪声，使加速度波形特征变得更清晰，如一个跨步对应信号经过降噪后从多 峰变为单峰。常用的预处理方法有：多点平滑(Fang et al，2005)，低通滤波(Jee et al，1999：Mezentsev，2005b)，差分处理(Weimann et al，2007)，小波去噪 (Ladetto，2000)等。 针对人身体不同部位加速度波形不同的特点，目前存在大量步频探测方法， 但是部分步频探测算法应用于具体某一类波形。目前常用的步频探测算法有： 峰值探测法(Peak Detection)：针对人体行走时上半身加速度信号每步呈现 39

基于PaddlePaddle实现的密度估计模型CrowdNet预训练模型

随着光纤通信系统容量的增加和信道间隔的降低,非线性噪声必然成为限制光传输系统发展的重要因素。提出了一种比较准确的仿真模型用来估计把非线性噪声当作加性高斯处理的高斯噪声(GN)模型的适用范围，同时对该模型进行了大量的仿真验证，包括不同的光纤类型和不同的调制格式。仿真结果证明,GN模型的非线性噪声功率谱密度理论解析式在预色散的系统中是非常准确、可靠的。同时，表明在没有预色散的系统中，非线性噪声与调制格式有关，但是预色散能够消除调制格式对非线性噪声的影响。

电压谐波估计模型（内含数据与代码）。 提供给最终用途设备的电力质量取决于公用事业公司提供的电压质量。如果电压在额定频率下具有额定值，则称其具有质量，而没有任何偏差。