时域、频域、信息熵等40多种时频域特征提取算法。 #时频域特征提取# 时域信号特征包括：最大值、最小值、峰值、峰峰值、均值、绝对平均值、方根幅值、方差、标准差、有效值（均方根）、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子。 频域信号特征包括：平均频率、重心频率、频率均方根、频率标准差。 小波特征包括：8个子带小波能量比、小波能量熵、8个子带的小波尺度熵、小波奇异谱熵。 熵特征包括：样本熵、排列熵、模糊熵、近似熵、能量熵、信息熵。 matlab代码，有excel数据和mat数据代码使用案例，注释清晰

内容概要：本文介绍了一种基于CNN-LSTM算法的锂离子电池健康状态(SOH)估计方法。首先，从放电电压最低点时间、平均放电电压和平均放电温度三个方面提取间接健康因子。接着，构建了一个CNN-LSTM联合模型来评估锂电池的健康状态，并利用NASA卓越预测中心的数据集(B0005、B0006)进行了验证。实验结果显示，该方法具有较高的估计精度，特别是在电池容量衰减到80%以下时，能够准确捕捉关键拐点。此外，文中详细介绍了数据预处理、模型架构设计以及训练过程中的一些优化技巧，如早停机制、回调函数设置等。 适合人群：从事电池管理系统研究、机器学习应用开发的研究人员和技术人员。 使用场景及目标：适用于需要对锂离子电池健康状态进行精准评估的应用场景，如电动汽车、储能系统等领域。目标是提高电池管理系统的可靠性和安全性，延长电池使用寿命。 其他说明：文中提供的代码实现了完整的SOH估计流程，包括数据预处理、模型训练和结果可视化。特别提到，在模型中加入TimeDistributed层可以进一步提升准确率，但会增加计算成本。

基于CNN-LSTM算法的锂离子电池健康状态SOH精确估计：融合间接健康因子与NASA数据集的验证,基于CNN-LSTM的的锂离子电池健康状态SOH估计； 主要算法如下: 1、首先提取放电电压最低点时间 平均放电电压 平均放电温度作为锂电池间接健康因子； 2、然后建立CNN-LSTM联合模型的SOH锂电池健康状态评估模型。 3、最后 NASA 卓越预测中心的锂电池数据集 B0005、B0006对提出的方法进行验证，输出绘图和参数，代码可自动在文件夹下存高清图。 程序具有良好的估计精度 ,核心关键词： 基于CNN-LSTM的SOH估计; 锂离子电池; 间接健康因子; 放电电压; 放电时间; 平均放电电压; 平均放电温度; 锂电池健康状态评估模型; NASA卓越预测中心; 锂电池数据集B0005, B0006。,基于CNN-LSTM的锂离子电池SOH估计模型研究

银莱汤粉剂对食积复合FM1流感病毒感染小鼠血清免疫球蛋白及细胞因子含量的影响，李晓菲，王云辉，目的：探讨银莱汤粉剂对食积复合流感病毒小鼠免疫功能的影响，为银莱汤药效机理的研究提供实验依据。方法：雄性昆明小鼠90只，随�

idl代码与Matlab 卡帕 用各种语言编写代码，将吸湿性参数kappa与吸湿性生长因子或临界过饱和联系起来。 文献资料 Excel/电子表格是不言自明的，并且包含许多与Petters和Kreidenweis（2007,2008）有关的正向和反向计算。 txt/文本文件kappalines.txt可用于将恒定kappa的线叠加到临界过饱和/干径图上。 IDL_GDL IDL（交互式数据语言）或GDL目录包含用于复制Petters和Kreidenweis（2007、2008和2013）的代码。 Python Python目录包含用于复制Petters和Kreidenweis（2008）的代码 MATLAB_OCTAVE MATLAB / Octave目录包含用于复制Petters和Kreidenweis（2008）和Petters和Kreidenweis（2013）的代码 贡献 欢迎为使用任何语言编写的与kappa转换相关的代码做出贡献。 引文 Petters，MD和SM Kreidenweis（2013），吸湿性增长和云凝结核活性的单个参数表示-第3部分：包括表面活性剂分配，Atmo

氦气压缩因子计算小软件.exe 氦气热物理性质计算程序包括：输入压力，温度，可以得到压缩因子

本文介绍了QMT量化实战系列中的多因子策略，该策略支持自定义筛选与排序，实测年化收益超过100%。策略通过Tushare获取数据并合成因子，包括市盈率、市净率、股息率等多个指标。筛选逻辑排除了ST股票、上市天数不足的股票以及特定板块的股票。排序逻辑支持多因子自定义排序，并为各因子分配独立权重。交易逻辑包括卖出和买入策略，卖出逻辑基于股票排名，买入逻辑则根据账户总资产均分资金。文章还提供了后续扩展方向，如月份择时和止盈止损。 QMT量化实战系列中的多因子策略是一套利用计算机算法来指导股票交易的系统方法。该策略的核心在于通过合成多个股票分析指标来筛选优质股票并进行排序，其中包括市盈率、市净率、股息率等关键财务指标。通过精确的数据来源，如Tushare，这些指标得以有效获取并加以应用。 在策略的执行过程中，排除了风险较高的ST股票、上市时间较短的股票以及特定板块的股票，以减少非市场性风险。在排序方面，策略支持自定义排序方式，允许投资者为不同因子分配权重，以便进行更为精准的股票筛选。此外，交易逻辑部分包含了卖出和买入策略，卖出基于股票排名决定，而买入策略则采用总资产均分资金的方式。 文章详细介绍了如何通过该策略获取超过100%的年化收益，同时也不忘指出实际操作中可能遇到的风险以及策略的局限性。此外，还提及了策略未来可能的扩展方向，包括月份择时和止盈止损等风险管理策略，以期在实战中取得更稳定的收益。 这种多因子策略的应用不仅需要投资者具备一定的量化交易知识，还要求他们能够熟练操作QMT这类量化交易平台。多因子策略通过量化模型，将市场经验抽象化，用数学语言表达交易逻辑，从而实现客观、系统的投资决策过程。该策略提供了一种科学的方法来挑选和评估股票，这有助于投资者在日益复杂的金融市场中寻找投资机会。 策略的开发与实施是一个复杂的过程，需要精通编程、金融理论和市场分析。尽管量化交易在提高效率和分析深度方面具有优势，但同时也需要投资者对策略进行不断的测试和优化，以适应市场变化，保证策略的持续有效性。量化交易的门槛相对较高，但是它的灵活性和可扩展性也为投资者提供了广阔的定制空间。 多因子策略虽然在实测中表现出色，但投资者应当意识到任何投资策略都无法完全消除市场风险，投资决策应基于全面的分析和审慎的考量。通过不断学习和实践，投资者可以更加熟练地掌握这种策略，并在实际交易中实现风险管理和收益最大化的目标。

ADS计算平面电感的电感值和Q品质因子数 在高频电路设计中，电感器是一种非常重要的组件，它可以用来滤波、耦合、energy storage等多种目的。然而，在实际设计过程中，电感器的电感值和Q品质因子数是非常重要的参数，它们直接影响着电路的性能和稳定性。因此，本文将详细介绍ADS计算平面电感的电感值和Q品质因子数，并对其进行深入分析。 一、电感器的基本概念 电感器是一种能够存储能量的组件，它可以将电流转换为磁场，并将磁场转换为电压。电感器的电感值是指电感器在单位时间内所存储的能量，它是电感器的基本参数之一。Q品质因子数是电感器的另一个重要参数，它是电感器的品质因子，它可以反映电感器的损耗程度。 二、ADS计算平面电感的电感值 ADS（Advanced Design System）是一款功能强大的电路设计软件，它可以对电路进行模拟、分析和优化。在ADS中，可以使用S-Parameters Simulator对电感器进行模拟，并计算出电感器的电感值。 在ADS中，电感器的电感值可以通过以下公式计算： L = (μ \* N^2 \* A) / l 其中，L为电感值，μ为磁导率，N为匝数，A为芯材的截面积，l为芯材的长度。 三、ADS计算平面电感的Q品质因子数 Q品质因子数是电感器的另一个重要参数，它可以反映电感器的损耗程度。在ADS中，可以使用RF Pro EM Simulator对电感器进行模拟，并计算出电感器的Q品质因子数。 在ADS中，电感器的Q品质因子数可以通过以下公式计算： Q = (2 \* π \* f \* L) / R 其中，Q为Q品质因子数，f为频率，L为电感值，R为电阻。 四、电感器的类型和应用 电感器有多种类型，包括螺旋电感、差分电感、中心抽头差分电感等。不同的电感器类型在不同的应用场景下有着不同的优点和缺点。 * 螺旋电感：螺旋电感是一种常见的电感器类型，它具有较高的Q品质因子数和较小的体积。 * 差分电感：差分电感是一种特殊的电感器类型，它可以用来实现差分信号的耦合。 * 中心抽头差分电感：中心抽头差分电感是一种特殊的电感器类型，它可以用来实现差分信号的耦合和信号的抽头。 五、结论 ADS计算平面电感的电感值和Q品质因子数是电路设计中非常重要的一步骤。通过ADS的S-Parameters Simulator和RF Pro EM Simulator，可以对电感器进行模拟，并计算出电感器的电感值和Q品质因子数。同时，电感器的类型和应用场景也非常重要，需要根据具体的设计需求选择合适的电感器类型。

内容概要：本教程将引导读者使用R语言复现和分析因子交互作用图，这是一种展示两个或多个分类变量相互作用对结果变量影响的可视化方法。教程将详细介绍如何利用R语言中的图形和统计包来创建这种图表，包括数据准备、因子变量的选择、交互作用的统计分析，以及图表的绘制和解释。本教程旨在提高读者在数据分析和结果呈现方面的能力，特别强调因子交互作用在实验设计和数据分析中的重要性。 适合人群：适合已具备基础R语言编程技能和一定统计知识的学生、研究人员和数据分析师，特别是那些在其研究或工作中需要探索和呈现变量间交互作用的人员。 能学到什么： 如何在R语言中处理和准备用于因子交互作用分析的数据； 使用R语言的不同图形和统计包来绘制因子交互作用图； 解读因子交互作用图，包括交互作用的类型、方向和强度； 提升数据可视化技巧，尤其是在表达复杂统计关系和交互作用时。 阅读建议：本教程重点在于实践和应用，因此建议读者在学习过程中积极动手尝试教程中的代码和方法。理解和复现因子交互作用图的关键在于掌握数据的准备工作以及交互作用分析的基本概念。因此，除了跟随教程外，读者应当探索更多关于因子分析和交互作用的统计知识，以增强对这些图表背后逻辑的理解。此外，鼓励读者尝试不同的数据集和变量，以便更好地掌握因子交互作用图的绘制和解释技巧。

基于改善大学生创业环境，更好激发大学生创业意愿，鼓励更多大学生想创业、能创业的目的，在研究文献、调研走访专家的基础上，以GEM模型为参考，构建了大学生创业环境指标体系，该体系包含资金环境、政策环境、市场环境、教育环境以及文化环境5个系统层，13个准则层，25个指标层。基于SPSS软件，分析体系设计需求，进行数据分析处理，验证大学生创业环境指标体系的合理性。结果证实该体系能够对大学生创业总体环境90%以上的变异进行解释，5个系统层能反映大学生创业总体环境情况。