◼ 1、概述 ◼ 1.1、机器学习的应用 ◼ 1.2 、什么是机器学习 ◼ 1.3、机器学习的发展 ◼ 1.4、机器学习的分类 ◼ 1.5 机器学习的资源 ◼ 2、机器学习的数学基础 ◼ 3、机器学习的术语 ◼ 4、基于案例的机器学习流程简介 ◼ 5、机器学习算法简介 ◼ 6、机器学习实例演示

第一章电力系统的基本概念 第二章电力系统的接线方式 第三章电气设备及配电装置 第四章电力系统元件的电气参数及等值电路 第五章简单电力系统的潮流计算 第六章复杂电力系统潮流的计算机算法 第七章电力系统有功功率的最优分配与频率调整 第八章电力系统的无功功率与电压调整 第九章电力系统静态稳定 第十章电力系统暂态稳定

六、理论板数的捷算法 七、关于二元连续精馏的其它流程 1．塔顶设有分凝器 2．冷液回流 3．直接蒸汽加热流程 4．多股加料和侧线出料流程 5． 回收塔流程

对于网络诱导延迟的上界大于或小于一个采样周期的两种不同情况的连续时间网络控制系统,采用离散化与增广状态空间方法,建立了统一的Markov链离散时间跳变模型.由于模型含有反映系统的网络诱导延迟的大小与计算精度的参数,因此它具有更广泛的适应性.应用离散时间线性跳变系统理论,分析了保证系统均方稳定的充要条件.在所论及的保证系统均方稳定的设计算法中,给出了一种求内点法初始可行解的方法.在延迟带有一定任意性的车载倒立摆的网络控制设计中,该改进算法得到了有效应用

在贝叶斯理论框架下, 提出了一种基于多源数据融合的深埋硬岩隧道围岩参数概率反演方法.首先, 分析硬岩隧道常用的启裂-剥落界限本构模型中围岩单轴抗压强度、启裂强度与抗压强度比及抗拉强度三个参数不确定性来源, 确定其概率统计特征; 其次, 利用粒子群算法优化多输出支持向量机, 建立反映反演参数与隧道监测数据间非线性映射关系的智能响应面; 最后, 结合贝叶斯分析方法构建概率反演模型, 运用马尔科夫链蒙特卡洛模拟算法实现了围岩参数的动态更新.将该方法应用到某深埋硬岩隧道中, 利用反演的围岩参数计算隧道拱顶下沉点、周边收敛点变化值及开挖损伤区深度, 与监测数据吻合较好.结果表明, 该方法可以实现围岩多参数快速概率反演, 更新后的参数可用于硬岩隧道施工安全风险评估与结构可靠性设计

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要

提出一种应用于大容量超高速(4000kW/3600r·min-1)双馈变频调速控制方法,研制出相应的实际控制系统.根据系统中负载电机、大功率变流器和工程化矢量空间计算的离散数学模型,以PSIM6.0的SIMCAD环境为开发平台,建立起双馈电机变频调速矢量控制系统算法仿真平台,计算出相关的仿真结果,并以此为基础设计、研制出实际应用控制系统.6500MW冲击发电机机组实验运行结果表明,系统电流响应超调量小,激磁和转矩分量解耦,动态过程磁链平滑,验证了系统仿真模型的有效性.该控制系统具备与直流传动系统相同的优越动、静态品质