[说明] DiSQLiteApi.dcu 文件根据实际开发环境在包内进行选择 本版本的 ASqlite 是基于 livu999 大侠的修改版继续魔改 原帖地址：http://download.csdn.net/download/ilvu999/6369053 本版本只支持 D2009 以上的 Unicode 版本的 Delphi 原作者在主要单元文件已经说明清楚了，老版本 Delphi 请绕道 为了照顾 XE2 下使用的朋友，故最后做了兼容 再照顾一下 DBGrid，令其不再显示 (MEMO) 另外做了兼容，在 XE8 开发环境及 64 位平台下通过基本测试 　　　　　　　　　　　katar1024 (网名：阿龙) 2017-08-22 大改支持 TWideMemo，在此解决乱码问题 修正启用 SQLiteDateFormat 的情况下读取非正规日期字符串引起异常的 bug 查询语句中表名和字段名用中括号 [] 引括，可以使用 Index 之，等保留字段名 删除属性 CharacterEncode，一律按默认的 Uft-8 格式存取字符串 删除属性 DriverDll，已经启用 SQLite 静态库方式编译并链接，不需携带 dll 使用 DISQlite 的静态库编译，版本 3.8.3，兼容性和稳定性均良好 2017-08-23 插入和更新操作只针对已修改的字段进行处理和提交，提高执行效率 插入记录后，同步读取库中的数字和日期默认值，对取值自动分配 id 有意义 所有调试记录代码全部加了条件编译块控制，减小体积，提高调度效率 优化类型数据存取分支代码，减少体积，提高读写效率 去除初次读取数据 100 字节大小缓冲区的限制，防止字符串乱码 其它性能优化 其它 bug 修复 2017-08-24 修正设计器属性框中 Active 属性设置为 True，但运行时未打开查询的 bug ftString、ftWideString、ftMemo、ftWideMemo 等字符串字段通过乱码测试 Memo 字段添加显示功能，控件不再显示(MEMO)或(WIDEMEMO) Memo 字段支持 AsInteger、AsDataTime 等数据功能(设计器预定义的字段无效) 2017-08-25 修改关键属性时自动关闭数据连接 TransactionType、TempStore, DefaultSynchronous 等属性从字符串值修改为枚举值 修正 TypeLess 功能 添加 TASQLiteBaseQuery 一些关键属性在设计器中改变后自动关闭查询的功能 修正 Filtered 属性在设计器中改变后，但结果没变的 bug PS: 本来想弄个批处理提交功能的(BatchedUpdates 或 CachedUpdates)， 在某些场合很实用，但最近改的问题太多了，改得好累，等下次真正用到了再补上 对 SQLite 的初恋蛮深的，但不得不吐槽，想说爱它真的很不容易

在网络安全领域，网络的结构和性能对于其稳定性和可靠性至关重要。本话题主要关注在三种不同类型的随机攻击下，网络的最大连通分量、效率和集聚系数的变化情况。这些概念是理解网络动态行为的关键。 最大连通分量是网络理论中的一个重要概念，它指的是网络中最大的一个子集，其中任意两个节点都通过一条路径相连。在网络遭受攻击时，如果最大连通分量保持较大，那么网络的整体连通性将得以维持。在随机攻击下，网络可能会失去一部分节点，研究其最大连通分量的变化有助于预测网络在极端情况下的生存能力。 效率（Efficiency）是衡量网络中节点间通信效率的指标。对于网络中的每一对节点i和j，其效率Eij定义为它们之间最短路径长度的倒数。网络的总体效率是所有Eij的平均值。当网络受到攻击时，节点间的通信路径可能会变长，导致效率下降，因此分析效率变化对于优化网络通信策略具有重要意义。 再者，集聚系数（Clustering Coefficient）是度量网络中节点的局部连通性的指标。它表示与一个节点相邻的节点之间形成三角形连接的概率。高集聚系数意味着网络中存在大量紧密连接的小团体，这可以增强网络的鲁棒性。然而，在随机攻击下，这些小团体可能会被破坏，导致集聚系数降低，从而影响网络的整体结构。 针对三种随机攻击，可能是基于节点度的攻击（攻击网络中度最高的节点）、基于重要性的攻击（如攻击关键节点）或无选择性的均匀攻击。每种攻击方式对网络结构的影响不同，因此对最大连通分量、效率和集聚系数的影响也各有特点。例如，基于度的攻击可能优先破坏网络的骨架，导致最大连通分量急剧减小；而均匀攻击可能更均匀地影响网络，可能导致效率和集聚系数的渐进式下降。 为了深入理解这些变化，通常会通过模拟实验或应用复杂网络理论进行分析。例如，使用生成树算法来计算最大连通分量，利用图论方法评估效率，以及通过计算每个节点的集聚系数来描绘网络的局部结构。通过比较不同攻击策略下的结果，可以为网络的抗攻击设计提供理论支持，如增加网络的冗余性，优化节点的分布等。 网络的最大连通分量、效率和集聚系数是评估其稳健性和通信性能的重要指标。在随机攻击下，这些指标的变化揭示了网络的脆弱性和适应性。通过对这些变化的深入研究，我们可以更好地理解和设计更可靠的网络系统，以应对各种潜在的威胁。

基于光伏并网储能的功率协调控制 本仿真是基于光伏发电搭建的储能与单相并网的模型，模型由光伏Boost发电系统、单相逆变并网系统以及双向DCDC储能系统组成。 其中光伏发电采用观察扰动法实现MPPT最大功率点跟踪，并网控制加入了前馈控制实现输出纹波的进一步降低。 图二为光伏发电储能的相关波形，图四为MPPT的部分 模型能完美实现功能 该仿真同时也是实现功率协调控制的一种模型，可以用于电能路由器等功率流向控制设备的参考研究。 文件包括： [1]仿真文件 [2]控制器参数设计的代码 [3]仿真中每个模块的相关知识点及对应的实现例程 有关光伏发电储能并网的相关文献 ,基于光伏并网储能系统的功率协调控制与优化研究,光伏并网储能系统的功率协调控制研究——基于MPPT与改进前馈控制的仿真分析,光伏并网储能;功率协调控制;模型;单相逆变并网系统;双向DCDC储能系统;MPPT最大功率点跟踪;前馈控制;电能路由器功率控制;仿真文件;控制器参数设计;相关文献,光伏储能并网系统的功率协调控制仿真模型研究

时域、频域、信息熵等40多种时频域特征提取算法。 #时频域特征提取# 时域信号特征包括：最大值、最小值、峰值、峰峰值、均值、绝对平均值、方根幅值、方差、标准差、有效值（均方根）、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子。 频域信号特征包括：平均频率、重心频率、频率均方根、频率标准差。 小波特征包括：8个子带小波能量比、小波能量熵、8个子带的小波尺度熵、小波奇异谱熵。 熵特征包括：样本熵、排列熵、模糊熵、近似熵、能量熵、信息熵。 matlab代码，有excel数据和mat数据代码使用案例，注释清晰

双目立体视觉是指利用两台相机从略微不同的视角拍摄同一场景，通过模拟人类的双眼视觉原理，计算出场景中物体的三维位置信息。这一技术广泛应用于机器人导航、自动驾驶、三维建模等领域。 在双目立体视觉系统中，深度最大值指的是系统能够识别的最远距离物体的深度信息。而精度计算则涉及如何准确地测量出这个深度值。深度最大值和精度的计算主要依赖于以下几个因素： 1. 基线距离（Baseline Distance）：基线是指两个相机镜头中心之间的距离，这一距离越长，理论上可以测量的深度最大值也就越大，但同时系统对远距离物体的测量精度可能会降低。 2. 焦距（Focal Length）：焦距影响成像尺寸，间接影响深度计算的精度。较长的焦距可以提高远处物体的测量精度，但可能会牺牲对近处物体的测量精度。 3. 像素分辨率（Pixel Resolution）：相机传感器的像素分辨率越高，所拍摄的图像细节越丰富，对于深度和位置的计算就越精确。但是，像素数量的增加也会导致计算量增大。 4. 校准精度（Calibration Accuracy）：双目系统的校准是保证测量精度的关键步骤。需要准确测量相机的内参和外参（包括旋转矩阵和平移向量），否则会引入系统误差，影响测量结果的准确性。 5. 匹配算法（Matching Algorithm）：在双目立体视觉中，必须找到同一物体在左右相机成像平面上的对应点，这一过程称为视差匹配。匹配算法的效率和准确性直接影响最终的深度计算精度。 6. 光学畸变（Optical Distortion）：如果相机镜头存在光学畸变，会影响图像的几何形态，进而影响深度计算的准确性。因此，在进行深度计算前需要校正光学畸变。 深度最大值与精度的计算方法通常包括： - 视差计算（Disparity Computation）：视差是指同一物体在左右相机图像平面上投影点之间的水平距离差。视差与深度成反比关系，即视差越大，物体越近，视差越小，物体越远。 - 深度图生成（Depth Map Generation）：基于视差图和相机参数，可以生成整个场景的深度图，深度图中的每个像素值代表了该点的深度信息。 - 深度范围计算（Depth Range Calculation）：根据视差和已知的相机参数，通过几何关系计算出深度最大值，通常这个计算需要考虑到相机的视场范围和分辨率限制。 - 精度优化（Precision Optimization）：优化深度计算的精度可能需要综合考虑算法、硬件和软件等多个方面的因素，例如采用多视图几何优化、提高匹配算法的鲁棒性以及增强硬件的性能等。 在进行双目立体视觉深度最大值与精度的计算时，需要充分考虑上述因素和计算方法，通过精密的算法和精确的设备校准来确保深度测量结果的准确性和可靠性。

基于Simulink优化的电机控制参数提升效率：MTPL控制策略下的最小损耗与最大扭矩电流组合探索及传动系统参数化设计,基于Simulink优化的电机控制参数提升效率：MTPL控制策略下的最小损耗与最大扭矩电流组合探索及传动系统参数化设计,通过simulink优化控制参数提高电机效率，进行最大扭矩最小损耗MTPL Max Torque Per Loss 控制，获取电机铁损、铜损最小时候的id,iq电流组合 使用导入的FEM数据和优化的磁场定向控制(FOC)的PMSM驱动，以及支持设计脚本:确定开环频率响应并检查稳定裕度。 确定最佳的d轴和q轴电流，以便在提供命令的扭矩和速度时使电机总损耗最小。 电力驱动通过以下方式实现: 一个详细的Simscape Electrical非线性电机模型，采用列表磁链和斯坦梅茨系数的形式。 有关更多信息，请参见此示例。 一个磁场定向控制器(FOC)，已经过优化，以尽量减少电机损耗。 传动系统 驱动器参数化为70 kW(最大功率)、150 Nm(最大扭矩)电机，适用于电动汽车动力系统。 电源是500伏DC电源。 面向场的控制器体系结构 PM

光伏发电系统中利用Boost电路进行最大功率跟踪的过程存在电路升压能力不足、输入纹波较大等问题，利用开关电感结构替代并联交错Boost电路中电感，构成一种高升压比且低纹波的改进型Boost电路。该电路在同一开关周期中拥有四种开关模式，存在三种不同工作状态，利用平均周期建模法讨论其不同占空比情况下输出电压增益及输入电流纹波情况。MATLAB仿真结果表明，改进型Boost相比于传统Boost电路具有更高的升压能力；且在动态输入条件下，具有较快的跟踪速度，输入电流纹波小，输出功率控制效果稳定，适用于光伏发电最大功率点跟踪。 【光伏最大功率点跟踪】 在光伏发电系统中，为了最大化地提取太阳能电池的功率，需要进行最大功率点跟踪（Maximum Power Point Tracking, MPPT）。MPPT技术通过调整负载以使光伏电池始终工作在其最大功率点（MPP），从而提高能量转换效率。传统的Boost电路常被用于这一过程，但存在升压能力有限和输入电流纹波大的问题。 【Boost电路的挑战】 传统的Boost电路的电压增益公式为Vout/Vin = 1/(1-D)，其中D为占空比。然而，当需要较高的升压比时，占空比D会增大，导致开关器件工作在高占空比状态，这不仅增加了开关损耗，还可能缩短器件寿命。此外，大纹波电流会增加储能元件的应力，影响系统稳定性。 【开关电感的引入】 为解决上述问题，一种改进的Boost电路设计策略是引入开关电感。这种电路结构在保持低纹波的同时，提高了升压能力。在并联交错Boost电路的基础上，通过用开关电感替换常规电感，可以实现更灵活的工作模式和更高的电压增益。开关电感由两个电感和三个二极管组成，使得电路在相同占空比下能获得更大的输出增益，从而更好地适应高升压需求的场景。 【工作状态分析】 改进型并联交错Boost电路在每个开关周期内有四种工作模式，这使得电路能在不同占空比下优化性能。通过分析这些工作模式，可以理解电路如何在不同状态下调整输出电压和电流，以达到最大功率点跟踪的目的。例如，第一阶段电感并联充电，而在第三阶段则串联放电，这些模式的切换有助于减小输入电流纹波和提高输出电压增益。 【平均周期建模法】 为了研究电路在不同占空比下的行为，可以使用平均周期建模法。这种方法允许我们分析不同工作状态对输出电压和输入电流的影响。通过计算电感上的平均电压和电容电流，可以推导出输出电压增益和输入电流纹波的表达式，从而优化电路参数，确保在动态输入条件下快速跟踪最大功率点，并保持输出功率的稳定性。 【MATLAB仿真验证】 通过MATLAB仿真，改进型Boost电路的性能得到验证，显示其在升压能力和跟踪速度上优于传统Boost电路。在动态输入条件下，其能够迅速响应光伏电池输出功率的变化，输入电流纹波小，确保了系统的稳定性和高效性，特别适合用于光伏系统的最大功率点跟踪。 改进型并联交错Boost电路通过引入开关电感，成功解决了传统Boost电路升压能力不足和输入纹波大的问题，提升了光伏发电系统的性能和效率。这种创新设计对于优化光伏能源系统的应用具有重要意义。

内容概要：本文介绍了基于灰狼优化算法（GWO）优化的二维最大熵（2DKapur）图像阈值分割技术。该方法通过模拟灰狼的狩猎行为，在搜索空间中快速找到使二维熵最大的阈值对，从而提高图像分割的准确性和效率。文中以经典的lena图像为例，展示了如何在MATLAB中实现这一过程，包括图像读取、均值滤波、定义二维阈值空间、计算熵以及最终的阈值分割步骤。 适合人群：从事图像处理研究的技术人员、研究生及以上学历的学生，尤其是对优化算法和图像分割感兴趣的读者。 使用场景及目标：适用于需要高精度图像分割的应用场景，如医学影像分析、遥感图像处理等领域。目标是通过结合GWO算法和二维最大熵方法，提升图像分割的效果和效率。 其他说明：未来可以进一步探索将其他优化算法应用于阈值分割中，以实现更加高效的图像处理。此外，文中提供的MATLAB代码示例为读者提供了实际操作的基础。

随着农业技术的进步和市场需求的提升，水果分级技术已成为现代农业生产中不可或缺的一部分。传统的水果分级方法多依赖人工，不仅效率低下，而且难以保证分级的一致性和精确度。因此，基于计算机视觉和机器学习的自动化分级系统逐渐成为行业发展的新趋势。本文将探讨基于Matlab平台开发的水果分级系统，该系统能有效地帮助水果厂商在销售前对苹果进行准确的分级，从而提高效率，降低成本，并确保产品品质，最终实现利润最大化。 该系统的核心在于运用图像处理和模式识别技术，通过分析采集到的苹果图像，自动识别出苹果的尺寸、颜色、瑕疵等特征，并将其分为不同的等级。Matlab作为一种强大的数值计算和可视化软件，特别适合进行图像处理、数据分析和算法开发。利用Matlab，研究人员能够开发出算法对苹果进行快速而准确的分类。 系统会采集苹果的图像数据，这通常需要使用高分辨率的相机和适当的光源来保证图像质量。采集到的图像会经过预处理，包括灰度转换、滤波去噪、边缘检测等步骤，以减少图像中的干扰因素，提高后续处理的准确性。 通过特征提取技术，系统能够从预处理后的图像中提取出有用的分级信息。例如，颜色特征可以用来判断苹果的成熟度；尺寸特征可以用来评估苹果的大小是否符合特定等级的标准；而形状特征则有助于识别苹果的品种和外形缺陷。 在特征提取的基础上，分级系统将使用分类算法对苹果进行等级划分。常用的分类算法包括支持向量机(SVM)、神经网络、决策树等。通过训练集数据对分类器进行训练，使其学会如何根据提取的特征对苹果进行分类。为了提高分类的准确性，可能需要对分类器进行优化，如调整参数、使用集成学习方法等。 分级结果将以用户友好的方式展示给操作者，操作者可以对分级结果进行最终的确认和调整。此外，系统还可以记录分级数据，便于后续的质量追踪和管理。 整个水果分级系统的开发过程，不仅需要计算机科学的知识，还涉及到图像处理、机器学习、软件工程等多个领域的知识。因此，本系统的研发是一个跨学科的工程，需要各方面专家的通力合作。 基于Matlab的水果分级系统通过智能化的图像分析和处理，能够实现对苹果的快速、准确分级，这对于提高水果生产效率和保证产品质量具有重要意义。随着技术的不断完善和应用的推广，可以预见，未来自动化分级系统将在农业生产中扮演越来越重要的角色。

Matlab Simulink仿真下的光伏并网最大功率跟踪（MPPT电导增量法实现与PI控制策略）,基于电导增量法的Matlab Simulink光伏并网最大功率跟踪（MPPT）PI控制仿真与不同环境条件下的VI曲线程序研究,matlab光伏并网最大功率跟踪（MPPT）simulink仿真，PI控制，MPPT采用电导增量法 附加不同温度不同光照强度下PV，VI曲线程序，共两部分。 ,核心关键词： matlab; 光伏并网; 最大功率跟踪(MPPT); Simulink仿真; PI控制; 电导增量法; 不同温度; 不同光照强度; PV曲线; VI曲线程序。,基于PI控制与电导增量法最大功率跟踪的光伏并网Simulink仿真：多条件下的PV/VI曲线研究