电动汽车中动力电池的单体之间会逐渐出现不一致性，从而大大降低电池包的性能和使用寿命。针对此问题提出了一种新颖的基于容量和电压的混合最优控制均衡方案，该方案优先进行容量均衡，同时结合电压均衡对电池组进行混合最优控制，此策略充分利用了两种均衡策略的优点。此外，通过实际工况实验，特别是在针对磷酸铁锂动力电池的均衡应用中，充分证明了该方案相比于传统均衡策略——电压均衡，效率更高、均衡效果更好，能够很好地改善电池单体之间的不一致性，提高电池组的充放电容量。

AC/DC 混合微电网中的电源管理及其谐波分析，无需 D-STATCOM 即可在不同负载下完成

这是多维高斯混合模型的期望最大化算法的并行实现，旨在在 NVidia 显卡上运行，支持CUDA。 在我的机器上，它提供高达 170 倍的性能提升（16 个暗淡、16 个集群、1000000 个数据点）。 有关更多信息，请参阅http://andrewharp.com/gmmcuda 上提供的报告。 有趣的代码都在 gpugaumixmod.h 和 gpugaumixmod_kernel.h 中。 参考 CPU 实现位于 cpuaumixmod.h 中。 它可以集成到支持 CUDA 的系统上的任何 C 程序中。 此外，在 gmm.cu 中提供了 Matlab 集成。 自最初发布以来，我添加了同步随机重启。 实验 1 现在利用了这一点。 编译================================================== ====================

matlab代码abs 通用汽车制造商 实现我们的“使用高斯混合模型的超像素分割”工作。 可以找到 GPU 上的并行实现，它运行速度非常快（GTX 1080 上的 320x240 图像大约为 1000FPS）。 引文 该方法已作为常规论文发表在 IEEE Transactions on Image Processing 中。 如果您根据我们的方法开发您的工作，当然，如果您引用我们的论文，我们将不胜感激。 新的bibtex如下。 @article{Ban18, author = {Zhihua Ban and Jianguo Liu and Li Cao}, journal = {IEEE Transactions on Image Processing}, title = {Superpixel Segmentation Using Gaussian Mixture Model}, year = {2018}, volume = {27}, number = {8}, pages = {4105-4117}, doi = {10.1109/TIP.2018.2836306} } 这项工

【优化求解】基于混合正弦余弦算法和Lévy飞行改进麻雀算法求解最优目标matlab源码.zip

MFC中混合使用Duilib制作界面-附件资源

在matlab平台上，用混合高斯背景建模方法对运动的飞机目标进行检测，代码注释详细

一般情况下,求解大规模无约束优化问题的有效算法是共轭梯度法。共轭梯度法的关键是选取αk和βk,不同的αk和βk决定了不同的共轭梯度算法。在HS方法和DY方法的基础上,给出了一种求解无约束问题的混合共轭梯度算法,并在Wolfe性搜索下证明了算法的全局收敛性。

matlab开发-混合动力车具有自适应遗忘功能，可重复控制电网转换器。。给出了基于群的自适应遗忘重复控制器的内部工作原理。

该代码实现了高斯混合模型。 它假设特征是独立的。 具体来说，GMMtrain.m 用于学习 GMM 模型，GMMpredict.m 用于预测集群标签。