基于姿势的行为识别matlab程序

华中科技大学计算机网络实验——socket编程实现FTP

基于单片机和模数转换器adc0809的数字电压表，c程序源代码

Profibus master+slave+VSPD 测试软件主站+从站+虚拟串口，亲测可用

标定相机用棋盘格 2cmX2cmX10棋盘格，已经编辑好

APP作为信息的发送者与接受者，可以实现手机与手机的通信，手机向HC05发送数据（HC06就不知道了）。解压用AS打开生成APK就可以使用。

pcsc读卡器的操作示例，可以执行apduatr复位部分有一个类处理的很好

300套xmind模板【分类整合】好东西分享，高质量模板。

课堂作业，采用db4小波实现一维信号的分解与重建（mallat）：

利用数字信号处理器TMS320F240产生基于恒压频比控制的对称SVPWM调制波形。第23卷第4李等:基于ISP的恒压频比掉制 SVPWM方式的饼究和实现69平衡,引起较大的电流谐波4方法一软作编写较复杂但儿始三相电流平衡,电流谐波较小,响DSP的强大处理能力及运行速度能实现复杂时算法和具有良好的实时性,某于上述根据1le和电北的速度汗6考虑因此本文采用力法实现 SVPWM波形的产生。3基于TMS320240的SPwM波形的产根拈江,的角用亡所有内象压生本文采用TI公司专为电机控制而推出的一种定点数舶腴躯到案菠,出≤n(Th[A)eo5(l字信号处坦器TMS32F240,产生恒压频比制下SⅤPwM波形计銲mr门d-相分量事件管理模块是整个控制系统的关键,首先更对它进;算山n,亡约过行正确的配置。本系统选取丛HWM的截波频率为1∠kHz处区时间为32us,与 SVPWM波形产生相关的EV(事件管算I1,21的玫值弹)模块的初始化如图6所示m的据值是根据电机的u/∫曲线来确定,采用∫的指令值求出vn的幅值am的相根据un所在的区,裁全较打图位变化2可由定时器T:的定时周期T(TwmM)和电机角速度a1求出。根据角判断m所在的象限,为减少所占据的程序存储空问,只配备0~90的正弦函数表找出9角在第一象限的对应角度,并求解出x的dq轴分量和图7SHWM生成子彩序凉程图L。根据式(4)求解T1,T2,其中U1∠、U2分别为主辋矢4结论量的d轴分量,L1、21为主辅矢量的q轴分量。uU图8为本文实验时输出的 SVPWM词制波(调制波为TPWMl Ud Ua]=Iti t2 x(4)3OHZ,酸波为12kz)经滤波后所得波形可以看出,SVP则T0=Trw“T1“T2,根据vm所在的扇区,分别把0wM的调制波相当于在原正弦波上叠加了一个三次谐波25Tc,0.25T0+0.571,0.25T+0,5T1+0.572装载CM和准优化PWM有异曲冋工之处,其实质也是一种带谐波注入的调制方法PR1CMPR2、CMPR3。初始化比较控制寄存器 COMCON1、SCM321=11,输出为PW牒式FCOMIPCE=1,金比铰輪出使舱ACTRLO10=00,下激时重装载A4、D1000下设时重装戴CMPR5、比按使能 CENAELE初始化全比较动作控制寄存器ACTR设意引脚输出授性(1、3、5为低有效,2、4、6有效医8SⅤPWM调铜波始化死区控制寄存舞 DErCO、使鹿死区足时器PB3:j=111参考文献改置死区定时器的预定标因于 DBTPS:0=1设置死区时间DBr70=目,本系统设置死区时间为32s11 BROECK H W, Analysis and Realization of a pulsewidth mocu[J IEEE TrA初始化通用定时器1的挖制寄存器TON198,24(1):142~150设置计数擲式为连续增、减Tmod21:0=10!2]王研,杜军红,陶佧宜,等基于LP的空间电压矢量法的研究[J]电机与控制学报,200,2:98调制频半设为K出(Te=83),因此设置T】PR=34h「3韩安太,峙飞黄海LSP控剖器原理及其在运奷控制系统中的应用M]北京:清华大学出版社,2003「4.王潞刚基于DP的异步电动机 SVPWM系统研究[D],东工业大学硕二沦文,2002图6与 SVPWM生成相关的EV初始化r5 Spacc-Vcctor PWM wita TMS320C24X/F24x Using lardand ssedR]. TI I产生SⅥwM波形的子程序流程图如图7所示。March 199916] Using Coustant V H Principle Space Vector PWM Techor Ac InsteonⅣ otor cth’C240R]T!i

【实例简介】LSTM-DNN进行库存预测 修正LSTM模型的股价预测 它能做什么？ 它可以给出一只股票收盘价的预测值。 它不能预测离现在太远，而它所能做的就是预测明天的价格。 我们需要做的是提供一只股票过去的数据。 评估 我用MAPE（平均绝对百分比误差）评估模型。 通过该模型训练的某些股票的最佳性能可使MAPE达到2％-3％，这意味着精度（1-MAPE）可以达到97％-98％。 训练自己的数据 U首先从互联网上下载股票的csv数据，然后在代码中修改csv路线（在最后一栏中输入收盘价）。 学习性能良好的CPU模型需要花费数小时。 有用吗？ 尽管预测第二天的收盘价表现良好，但无法预测接下来的2,3,4 ...天的价格。 因此这可能会有所帮助，可能没有帮助。 未来 我将把我的股票价格预测系统放在github上，它具有许多新功能，包括预处理数据，训练模型，预测价格，评估模型以及推荐高收益股票。 同时