node-v20.18.0-x64
weixin_5310962324.3MB需要积分:1资源文件列表:
node-v20.18.0-x64 大约有1个文件 
node-v20.18.0-x64.msi 25.39MB
weixin_5310962324.3MB需要积分:1 node-v20.18.0-x64 大约有1个文件 100+评论
相关资源
- 资源摘要:chrome extention: 网页保存为pdf
- 资源摘要:线控转向失效容错差动转向协同控制策略应用于四轮轮毂电机驱动电动汽车,线控转向失效容错控制策略研究——差动转向与直接横摆力矩协同的智能电动汽车控制方法,线控转向失效下的容错差动转向控制以四轮轮毂电机驱动智能电动汽车为研究对象，针对线控转向系统执行机构失效时的轨迹跟踪和横摆稳定性协同控制问题，提出一种基于差动转向与直接横摆力矩协同的容错控制方法。该方法采用分层控制架构，上层控制器首先基于模型预测控制方法求解期望前轮转角和附加横摆力矩，然后设计基于滑模变结构控制的前轮转角跟踪控制策略，下层控制器以轮胎负荷率最小化为目标，利用有效集法实现四轮转矩优化分配。 图片为模型运行后的实际效果，模型为参考优质paper制作的，包含carsim数据cpar文件，Simulink模型及MATLAB代码,线控转向失效; 差动转向控制; 轨迹跟踪; 横摆稳定性协同控制; 模型预测控制; 滑模变结构控制; 轮胎负荷率优化分配; 轮毂电机驱动智能电动汽车; 汽车动力学模型。,智能汽车线控转向失效的容错差动转向控制方法研究
- 资源摘要:筛选机电气控制程序——汇川H5UPLC精准定位工件，采图剔废自动化，队列管理灵活，数据高效传递，PLC控制精准触发,筛选机电气控制程序——汇川H5UPLC精准定位工件处理系统（基于触发采图与剔废模块）,名称：筛选机电气控制程序品牌：汇川H5UPLC介绍：此为原创程序，已经在单位一些设备上应用。程序分为触发采图模块和剔废模块，已经将程序封装成功能块，一个工位和多个工位只需拉几个功能块，代码可见，程序适用于玻璃转盘和皮带机。外部编码器需自己设置。简要说明：根据触发光电信号，计算出每个工件在采图工位或者剔废工位的位置，并形成队列信息，再跟转盘或者皮带的实际位置进行比对，并读取OK或者NG信号，进行采图和剔废。程序内部目前设置的队列长度是20，理解原理后可根据实际情况自行修改。数据传递全部用指针实现，采图时PLC只给光源控制器1个1ms脉宽的信号，相机由光源控制器自己触发，剔废时的脉宽可自己设置，我这是5ms，PLC默认扫描周期是10ms，不更改，上位检测软件只需要往定义好的20个地址里循环写结果就可，经过剔废口后会自动清0。,筛选机; 电气控制程序; 汇川H5UPLC; 触发
- 资源摘要:基于Logistic回归的临床预测模型全流程：自动筛选变量建立精准模型并绘制列线图（R语言实现）,基于Logistic回归的临床预测模型全流程解析：自动化提取变量建模与图像输出！R语言实战代码分享,临床预测模型 基于Logistic回归的临床预测模型全流程R语言代码。包含以下特色:[1]自动提取单因素有意义（默认p＜0.05）的变量带入到多因素回归。[2]自动提取多因素有意义的变量再次建立最终模型。[3]自动使用最终模型绘制列线图，可导出600dpi的tiff格式图片。,临床预测模型;Logistic回归;自动提取变量;多因素回归;列线图绘制;R语言全流程代码;600dpi tiff格式图片。,基于Logistic回归的R语言全流程实现：临床预测模型自动化提取
- 资源摘要:剪映海外版 Capcut
- 资源摘要:Godot游戏开发v4.3版本
- 资源摘要:基于PSO-ELM算法的优化与数据预测模型研究,粒子群优化算法提升极限学习机（ELM）预测模型的精度与泛化性能,粒子群优化极限学习机PSOELM做数据预测PSO-ELM优化算法预测模型。ELM模型在训练之前可以随机产生ω和b, 只需要确定隐含层神经元个数及隐含层神经元激活函数, 即可实现ELM预测模型的构建。在ELM模型的构建中, 只需确定初始ω和b, 而无需复杂的参数设置, 具有学习速度快、泛化性能好等优点。然而在发动机参数预测过程中, 不同的参数设置, 对预测模型的准确度起着一定程度的影响。此时, 如果通过简单的随机选取初始化参数方法来构建极限学习机模型, 在一定程度上存在着模型构建中隐含层节点冗余等缺点, 这在一定程度上阻碍了ELM模型的精确性。因此, 在构建EGTM数据预测模型的过程中, 可通过PSO算法寻优确定模型的最佳参数, 以保证ELM模型的准确性。matlab程序，可做功率预测数据预测，程序注释详细方便阅读，可替自己的数据做预测，预测结果准确。,PSO; ELM模型; 参数优化; 预测模型; 泛化性能; 发动机参数预测; PSO-ELM算法; 随机初始化
- 资源摘要:深度解析：高效两级式光伏并网逆变器技术，采用Boost电路与增量电导法实现MPPT，二电平逆变器与双闭环控制确保并网性能卓越,基于Boost电路与双闭环控制的10kW两级式光伏并网逆变器——实现高效MPPT与精确电网相位跟踪,两级式光伏并网逆变器，DCDC环节采用boost电路，通过增量电导法实现光伏最大功率跟踪MPPT。逆变器采用二电平逆变器，通过双闭环控制，实现并网单位功率因数，并网电流与电网电压同相位，并网电流THD仅有1.3%，符合并网规范，并稳定直流侧母线电压。为了得到电网电网相位，采用基于双二阶广义积分器的锁相环，该锁相环可以快速准确无误的得到电网相位。且在初始阶段，就可以得到电网相位，比Matlab自带的锁相环要快很多。并网功率为10kW，直流母线电压稳定在700V。整个仿真全部离散化，采用离散解析器，主电路与控制部分以不同的步长运行，更加贴合实际,控制与采样环节全部自己手工搭建，没有采用Matlab自带的模块。,两级式光伏逆变器; Boost电路; 增量电导法; 最大功率跟踪MPPT; 二电平逆变器; 双闭环控制; 单位功率因数; 并网电流THD; 锁相环;
neleus
oDIlnraZ
LAUFBtjSRJct