"三相桥式可控整流电路的MATLAB仿真" 三相桥式可控整流电路是电力电子技术中最重要的电路之一，也是应用最广泛的电路，不仅应用于一般工业领域，也广泛应用于交通运输、电力系统、通信系统、能源系统及其他领域。因此，对三相桥式可控整流电路的相关参数和不同性质负载的工作情况进行对比分析与研究具有重要的现实意义。 三相桥式半控整流电路是三相桥式可控整流电路的一种， 由共阴极接法的三相半波可控整流电路与共阳极接法的三相半波不可控整流电路串联而成。这种电路兼有可控和不可控的特性，共阳极组3个整流二极管总是自然换相点换流，使电流换到比阴极电位更低的一相；而共阴极组3个晶闸管则要在触发后才能换到阳极电位高的一个。 三相桥式半控整流电路的工作情况可以通过MATLAB软件的Power System工具箱进行仿真，并对其带纯电阻负载及电阻电感性负载时的工作情况进行对比分析与研究。仿真结果验证了所建模型的正确性。 在仿真中，假定负载电感L足够大，可以认为负载电流在整个稳态工作过程中保持恒值，因此不论控制角为何值，负载电流i总是单向流动，而且变化很小。一个周期中参与导通的管子及输出整流电压的情况如表1所示。 表1 三相桥式半控整流电路电阻负载ct=0时的晶闸管和二极管工作情况 晶闸管触发角a=0时，对于共阴极组所接的3个晶闸管，阳极所接交流电压最高的1个导通；同理，对于共阳极组阴极所接交流电压最低的1个导通。这样，任意时刻共阳极组和共阴极组中总是各有1个管子处于导通状态，负载电压为某个线电压。 图1中各个管子均在自然换相点处换相，从输入电压与负载线电压的对照来看，自然换相点既是各线电压的交点，又是各相电压的交点。从线电压波形可以看到由于共阴极组中处于通态的晶闸管对应的是最大相电压，而共阳极组中对应的是最小的相电压。 在MATLAB仿真中，可以通过改变共阴极组晶闸管的控制角，获取0-2.34u（变压器二次侧电压）的直流电压。具体电路图如图1所示。 三相桥式可控整流电路的MATLAB仿真可以帮助我们更好地理解和分析三相桥式可控整流电路的工作原理和特性，并且可以应用于实际工程中。

本资源为Matlab读取.dat二进制文件的工程，包括了读取、二进制解析、数据拼接、数据组合、数据绘图、将数据分析结果、绘图生成WORD报告。一键数据分析，使用方便。 本资源适用于Matlab处理批量数据而苦恼的工程师/学者。本资源的特点是包含了数据转换的全套实例，自动生成WORD报告的实用实例。生成的WORD报告中的分析结果以标题形式显示。这便于在查看WORD报告是方便的找到对应的数据结果。 本资源适用于工程领域包括铁路行业/风电/控制系统中控制单元中的记录数据。适用场景是对于相同数据进行大批量特征分析。

信号分选SDIF的matlab源码，可根据需求自行修改参数。仿真程序的部分结果可见相关文章：【雷达通信】信号分选SDIF序列差直方图算法原理及仿真程序【免费matlab源码，可自行修改参数】

在 MATLAB 开发环境中，我们经常会遇到需要将图形输出为高质量图像的需求，以便于报告、论文或分享。"figtopdf" 是一个非常实用的工具，它简化了将 MATLAB 图形转换为 PDF 格式的过程。这个工具的核心优势在于其简单易用的接口，允许用户以最少的参数设置轻松完成任务。 PDF（Portable Document Format）是一种广泛使用的文档格式，因为它能够保留图形的原始质量和分辨率，同时便于跨平台分享和打印。在 MATLAB 中，标准的图形保存方法可能无法提供最佳的 PDF 输出质量，而 figtopdf 正是为了解决这个问题而设计的。 figtopdf 的主要功能包括： 1. **单个图形保存**：你可以直接提供一个 PDF 文件名作为参数，figtopdf 将自动将当前图形窗口的内容保存为该文件。这使得快速保存图形变得非常方便，无需手动调整图形属性或使用复杂的命令。 2. **批量保存**：除了单个图形，figtopdf 还支持一次保存多个图形。这对于处理大量图形数据或者进行批处理操作的情况特别有用，极大地提高了工作效率。 3. **自定义参数**：虽然 figtopdf 以简洁著称，但它也允许用户传递额外的参数来控制输出，如图形大小、分辨率、颜色空间等。这为专业用户提供了更多的灵活性，可以根据具体需求定制输出效果。 4. **兼容性**：figtopdf 能够与 MATLAB 的各个版本良好兼容，无论你是使用较旧的版本还是最新的版本，都能顺利运行并获得一致的输出结果。 5. **代码集成**：由于 figtopdf 是一个脚本或者函数，因此可以很容易地整合到你的 MATLAB 代码流程中，实现图形生成和保存的自动化。 使用 figtopdf，开发者可以避免常见的问题，如图形在转换过程中丢失质量、文本模糊、颜色不准确等。通过这个工具，你可以确保每次转换后的 PDF 图像都保持清晰、精确且易于阅读。 在实际应用中，例如在科研工作中，figtopdf 可以帮助研究人员高效地整理和呈现实验结果，使得图表和图形在学术论文中呈现出专业和高标准的外观。对于教学和演示，figtopdf 也可以确保学生或观众可以无损地查看和打印图形，从而提高教学效果。 在 figtopdf.zip 压缩包中，包含了 figtopdf 的源代码和可能的使用示例。解压后，你可以查看源代码了解其实现细节，也可以直接运行示例来熟悉其用法。对于 MATLAB 用户来说，figtopdf 是一个值得添加到工具箱中的实用小工具，它将提升你处理图形输出的体验和效率。

基于Matlab的三相电压型PWM整流器建模与仿真

10.MATLAB神经网络43个案例分析 RBF网络的回归--非线性函数回归的实现.zip 10.MATLAB神经网络43个案例分析 RBF网络的回归--非线性函数回归的实现.zip 10.MATLAB神经网络43个案例分析 RBF网络的回归--非线性函数回归的实现.zip

CVaR是基于风险价值（Value at Risk, VaR）发展而来的，是在一定置信水平α下，损失超过VaR值时的条件均值。VaR是指在一定的置信水平下，某一投资组合在未来某一时间段内的最大损失。 例程中介绍了CVaR相关的编程方法以及各参数的取值范围，注释详细，可直接运行。

GRNN广义回归神经网络MATLAB代码

## 1.前馈神经网络 一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，一直到输出层结束。前馈是指输出入方向是前向，此过程不调整权值。神经元之间不存在跨层连接、同层连接，输入层用于数据的输入，隐含层与输出层神经元对数据进行加工。 ## 2.反向传播算法 （英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。 ## 3.BP神经网络： 也是前馈神经网络，只是它的参数权重值是由反向传播学习算法调整的。 ## 4.总结： 前馈描述的是网络的结构，指的是网络的信息流是单向的，不会构成环路。它是和“递归网络”(RNN)相对的概念；BP算法是一类训练方法，可以应用于FFNN，也可以应用于RNN，而且BP也并不是唯一的训练方法，其

GARCH-MIDAS、DCC-GARCH模型MATLAB代码