一、初学者学习目的
1、利用Matlab/Simulink实现PID控制算法;
2、观察不同PID参数对控制性能的影响;
3、掌握PID参数整定的方法。
二、实践内容
1、以二阶系统
为被控对象,【K=(135)】,在阶跃输入信号的作用下,用simulink搭建PID控制系统,并绘制阶跃响应曲线,记录相应的PID参数;
2、在上题中,在matlab中用程序语句的方式实现题1中的PID控制算法(要求PID参数与题1一致,对比阶跃响应曲线),并分析系统的时域特性;
2024年10月26日
一、初学者学习目的
1、利用Matlab/Simulink实现PID控制算法;
2、观察不同PID参数对控制性能的影响;
3、掌握PID参数整定的方法。
二、实践内容
1、以二阶系统
为被控对象,【K=(135)】,在阶跃输入信号的作用下,用simulink搭建PID控制系统,并绘制阶跃响应曲线,记录相应的PID参数;
2、在上题中,在matlab中用程序语句的方式实现题1中的PID控制算法(要求PID参数与题1一致,对比阶跃响应曲线),并分析系统的时域特性;
2024年10月26日
雷锋网 AI 研习社消息,近日,OpenAI 在 GitHub 上开源最新工具包 gradient-checkpointing,该工具包通过设置梯度检查点(gradient-checkpointing)来节省内存资源。据悉,对于普通的前馈模型,可以在计算时间只增加 20% 的情况下,在 GPU 上训练比之前大十多倍的模型。雷锋网 AI 研习社将该开源信息编译整理如下:
训练非常深的神经网络需要大量内存,利用 Tim Salimans 和 Yaroslav Bulatov 共同开发的 gradient-checkpointing 包中的工具,可以牺牲计算时间来解决内存过小的问题,让你更好地针对模型进行训练。
2024年10月26日
已知管道直径D,管道内压力P,还不能求管道中流体的流速和流量。你设想管道末端有一阀门,并关闭的管内有压力P,可管内流量为零。管内流量不是由管内压力决定,而是由管内沿途压力下降坡度决定的。所以一定要说明管道的长度和管道两端的压力差是多少才能求管道的流速和流量。
对于有压管流,计算步骤如下:
1、计算管道的比阻S,如果是旧铸铁管或旧钢管,可用舍维列夫公式计算管道比阻s=0.001736/d^5.3或用s=10.3n2/d^5.33计算,或查有关表格;
2024年10月26日
[专业笔记]自动控制原理系列-自动控制原理难点解析-超前滞后校正实例详解
控制系统的校正是自动控制原理课程的一个难点。本文通过两道习题的详细解析。完整展示从原系统开始怎样一步步设计超前校正器和滞后校正器。然后作出校正前后的BODE图作对比。最后分别作出原系统和校正系统的闭环阶跃响应加以验证。
目录:
2024年10月26日
在Octopus指定TDOutput = multipoles参数计算偶极矩时,默认仅给出分子的总偶极矩。有时我们需要各个轨道的偶极矩,但是之前以为Octopus没有提供这个功能,因此尝试研究代码。
通过依次检查函数的调用关系,最终在td_write_multipole()子程序中,发现如下代码,
其中对于逻辑变量resolve_states的判断表明,当其为true时,分别计算各个态的密度(density_calc)以及多级矩;当其为false时,计算总密度(st%rho)的多级矩。
2024年10月26日
为了表示浮点数,我们使用float,double和long double,有什么不同 ?
double的精度是float的2倍。
2024年10月26日
说明:本文依据《Sklearn 与 TensorFlow 机器学习实用指南》完成,所有版权和解释权均归作者和翻译成员所有,我只是搬运和做注解。
进入第二部分深度学习
第十章人工神经网络介绍
人工神经网络是深度学习的核心。具有通用性、强大性和可扩展性,使得它们能够很好地解决大型和高度复杂的机器学习任务。
在本章中,介绍人工神经网络,从快速游览的第一个ANN架构开始。然后提出多层感知器(MLP),并基于TensorFlow实现MNIST数字分类问题。
2024年10月26日
微信公众号 | 高速先生
作者 | 耿俊莹、刘涛、王红飞 东莞联茂电子科技有限公司
编辑 | 周伟 一博科技高速先生团队队员
覆铜板Tg 测试普遍采用差分扫描量热仪法(DSC:Differential Scanning Calorimeter Mechanical Analysis)、热机械分析法( TMA:Thermal Mechanical Analysis )和动态热机械分析法( DMA:Dynamic Mechanical Analysis)。该文对三种Tg测试方法、测试原理及各自优劣进行了比较;分析了板材Tg值对PCB可靠性的影响,以及Tg的影响因素。
2024年10月26日
2024年10月26日
内容导读
2019 年,Google 提出了 MobileNetV3 网络架构,该架构定义了 Large 和 Small 两个模型。与 V1 和 V2 相比,V3 的运行速度更快、性能更佳。