搜索资源列表
os_2
- 本程序需要用到数据结构中队列的概念完成。用指针指出下一个进程的PCB首地址，最后一个进程中指针为“0”。该调度算法是从后备队列中选择一个或若干个估计运行时间最短的作业，将其调入内存运行。当要求运行时间不为0时，将PCB加入队列（按优先数大小插入，且置队首标志）；若要求运行时间为0，则把它的状态修改为“结束”（），并退出队列。-the procedures need to resort to queue data structure to complete the concept. Using i
shijianpianlunzhuan
- 链接指针：指出下一个到达进程的进程控制块首地址。按照进程到达的顺序排队。系统设置一个队头和队尾指针分别指向第一个和最后一个进程。新生成的进程放队尾。 估计运行时间、到达时间以及进程状态一第一题中相同。 （2）为每个进程任意确定一个要求运行时间和到达时间。 （3）按照进程到达的先后顺序排成一个循环队列。再设一个队首指针指向第一个到达进程的首址。 （4）执行处理机调度时，开始选择队首的第一个进程运行。另外再设一个当前运行进程指针，指向当前正在运行的进程。 （5）由于本实验是模拟实
stateestimation
- 状态估计优秀硕士论文，提出了一种基于分块雅可比矩阵的加权最小二乘估计算法；提出了潮流岛状态变量的概念，用潮流岛的状态变量代替岛内所有节点的状态变量-State estimation for outstanding master
zhinengdianwang
- 基于 MAS 建立的分布并行计算环境，其任务调度问题具有新的特点 对于基于MAS 的配电快速仿真与模拟系统，以配电 网三相状态估计为例，建立了新的调度问题模型，提出了基于FCM 的启发式任务调度优化方法 该方法利用模糊C 均值聚类分析 算法对独立任务进行聚类分析，避免了在超大解空间中用基于搜索的方法去寻求最优解的做法 该方法具有线性时间复杂度，而 且通过大量算例表明它总是能够在合理的时间内获得次优解或最优解，使masDSE 的性能有明显改善-In the distributed pa
Unsupervised_Adapting_in_Speech_Recognising_using_
- 介绍了一种基于词网的最大似然线性回归无监督自适应算法，并进行了改进。根据解码得到的词网估计变换参数，词网的潜在误识率远小于识别结果，因此可以使参数估计更为准确。传统的一个很大缺点是计算量极大，较难实用，对此本文提出了两个改进技术：1利用后验概率压缩词网；2利用单词的时间信息限制状态统计量的计算范围。实验测定,误识率比传统相对下降了。-Introduced the term network based maximum likelihood linear regression unsupervise
state_estimate_PQ
- 电力系统状态估计快速解耦法（PQ分解：有功和无功的分解；雅克比矩阵常数化）-power system state estimation （PQ）
code
- 1.CAmodelfusion.m 主要功能： （1）完成两个传感器各自对基于CA模型的目标状态的Kalman估计； （2）实现传感器的局部状态估计的SCC和CI融合算法的实现； （3）画出局部估计和两种融合估计的位置、速度、加速度的误差； （4）画出局部估计和两种融合估计的协方差椭圆。 2.CVmodelfusion.m 主要功能： 功能与CAmodelfusion.m基本相似，差异在于实现基于CV模型的估计和估计融合。 3.CovInter.m
SOC-Folder
- 一个MATLAB/Simulink模型，关于电动汽车动力电池荷电状态（State of Charge，SOC）估计； 包括参数文件、模型文件两种，模型文件分别仿真了110A恒流、110A脉冲和ECE15工况； 建模采用基于PEGV的电池等效模型对SOC进行估计，并且加入了温度修正等。 模型比较简单，原理清楚，适合对电动汽车动力电池SOC的估计有兴趣的初学者参考学习，学习前请阅读2到3篇基于电池PNGV等效电池模型的动力电池SOC估计方面论文，这样对理解模型更有帮助。-A MATLAB
SOH-Folder
- 一个MATLAB/Simulink模型，关于电动汽车动力电池健康状态（State of Health； 建模基于SOC估计； 模型比较简单，原理清楚，适合对电动汽车动力电池SOH的估计有兴趣的初学者参考学习，学习前请阅读2到3篇动力电池SOH估计方面论文，这样对理解模型更有帮助。-A MATLAB/Simulink model, on the electric vehicle power battery health status (State of Health Modeling
EKF
- 卡尔曼滤波实验matlab程序。1用扩展卡尔曼滤波技术对上述系统的状态进行估计， 2.上机实现，给出目标位置与速度的真实轨迹和估计轨迹； 对滤波器的估计性能进行分析，(Calman filter experiment matlab program.1. the extended Calman filter is used to estimate the state of the system, and the experimental procedure and program desig
power system state estimation.zip
- C++电力系统状态估计可行性分析程序。状态估计结线辨识程序(C++ power system state estimation feasibility analysis program. State estimation line identification program)
Calman filtering algorithm.zip
- matlab函数实现不敏卡尔曼滤波算法，用于状态估计(The matlab function implements the unscented Calman filtering algorithm for state estimation)
power system state .zip
- 电力系统状态估计的MATLAB的源程序，用于在线辨识，完善优化(MATLAB power system state estimation the source program of.)
Fast decoupling method.zip
- 电力系统状态估计快速解耦法（PQ分解：有功和无功的分解；雅克比矩阵常数化）(Fast decoupling method for power system state estimation (PQ decomposition decomposition; active and reactive Jacobi matrix))
distributed power system .zip
- MATLAB分布式电力系统状态估计完整程序.用于分布式光伏电站并网(MATLAB distributed power system state estimation complete program for distributed photovoltaic power station grid connected)
神经网络状态估计
- 离散时滞神经网络的状态估计算法，运用MATLAB画图得出估计算法的有效性。(state estimation algorithm)
estimation
- 用的是estimation加权最小二乘法状态估计法, 主要思想： 1、建立一个生成zdatas.m的函数，函数中先调用潮流计算； 2、电压幅值结果在潮流结果的bus变量中；节点注入功率量测取PQ节点负荷值的相反数；传输功量测取branch中的传输功率值。 3、对上一步提到的量测值随机添加白噪声； 4、视算例所要分析的问题，确实是否设置坏数据，若是，则设置； 5、将添加白噪声和坏数据后的量测输出到zdatas.m文件中。(The main idea is to use the estim
卡尔曼滤波及扩展
- 描述一个卡尔曼滤波问题需要两个模型，一个是描述系统的状态方程，一个是观测方程，观测量通过观测方程与状态变量建立联系，由观测量估计状态值。与其他频域滤波器不同，卡尔曼滤波器不需要观测和估计的历史记录，可以直接在时域进行设计和使用，是一个时域滤波器，适用于处理实时数据。 对于一个运动模型，建立卡尔曼滤波模型，进行仿真，设已知初始时刻运动目标的真实位置和速度，并已知卡尔曼滤波使用的初始状态值，对该问题给出仿真；进一步分析该问题的稳态卡尔曼解，直接使用稳态卡尔曼滤波（滤波器）仿真该问题。
matlab程序
- 主要功能： 1.完成传感器对目标状态的kalman滤波估计； 2.对传感器的状态估计进行SCC和CI融合； 3.画出位置及速度的估计和融合误差曲线、真实航迹及融合后航迹、K=1时刻的协方差椭圆(Main functions: 1. The Kalman filter estimation of the target state is completed; 2. The state estimation of sensors is fused by SCC and CI; 3. Draw the
状态估计
- 使用S-function搭建的车辆状态估计simulink模型，包含EKF和CKF(Simulink model of vehicle state estimation using S-Function, including EKF and CKF)