在我们最近的论文中（Das等人，在Phys Rev D 97：115023，2018），我们探索了在最小的非异质U（U）的背景下，在未来的LHC中发现沉重的Majorana右旋中微子（RHN）的前景。 1）扩展标准模型（SM），其中通过共振产生的巨型U（1）规格玻色子（$$ Z ^ {\ prime} $$ Z'）的衰减来创建一对RHN。 我们已经指出，该模型可以显着提高$$ Z ^ \原始$$ Z'玻色子对一对RHN的分支比，这对于在非常严重的LHC Run-2下发现RHN至关重要 从具有Dilepton最终状态的$$ Z ^ \ prime $$ Z'玻色子的搜索中获得约束。 在本文中，我们在重现中微子振荡数据的同时，对大型强子对撞机执行相同的参数扫描，以评估相同符号双扩散最终状态（Majorana RHNs生产的烟枪签名）的最大生产率。 我们还考虑了带有替代电荷分配的最小非奇异U（1）模型。 在这种情况下，与传统情况相比，我们发现$$ Z ^ \ primary $$ Z'玻色子对一对RHN的分支比进一步提高，这为甚至在$之前发现RHN提供了可能性。 $ Z ^ \ prim

MATLAB代码：考虑柔性负荷的综合能源系统日前优化调度模型 关键词：柔性负荷 需求响应 综合需求响应 日前优化调度 综合能源系统 参考文档：《考虑用户侧柔性负荷的社区综合能源系统日前优化调度》参考柔性负荷和基础模型部分；《考 虑 柔 性 负 荷 的 综 合 能 源 系 统 低 碳 经 济 优 化 调 度》参考其碳交易部分 仿真平台：MATLAB yalmip+cplex 主要内容：在冷热电综合能源系统的基础上，创新性的对用户侧资源进行了细致的划分和研究，首先按照能源类型将其分为热负荷需求响应和电负荷需求响应，在此基础上，进一步分为可削减负荷、可转移负荷以及可平移负荷三类，并将柔性负荷作为需求响应资源加入到综合能源的调度系统中，从而依据市场电价灵活调整各类负荷，实现削峰填谷，改善负荷曲线等优势，此外，为了丰富内容，还考虑了阶梯式碳交易，构建了考虑阶梯式碳交易以及综合需求响应的综合能源低碳经济调度模型，设置了多个对比场景，验证所提模型的有效性。

单椅沙发3d模型适用于沙发模型设计

CMM中文版，很详细，资源高清。对应的英文版请看我的其他资源。 资源原名为《Key Practices of the Capability Maturity Model》Version 1.1

在Matlab附加工具包RF Blockset Models for Analog Devices RF Transceivers中，可以找到 Analog Devices 的两种敏捷射频收发器的系统级模型：AD9361 和 AD9371。这些模型是由 MathWorks 和 Analog Devices 使用实验室测量共同开发和验证的。该档案包含一个模型库和一组测试台示例。 ———————————————— 版权声明：本文为CSDN博主「about587」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/about587/article/details/135731456

GH1.25mm连接器，卧式贴片，包含2pin、4pin、7pin、8pin、10pin，原理图和封装和3D模型。自己找的资源制作，有项目用到gh1.25的连接器，但是一直没有对应的AD的原理图和封装包括3D模型，于是自己制作了一下，模型是从立创导出的，这样AD导入就可以直接用了，主要是有3D模型。

ANSYS APDL 输出有限元模型刚度矩阵和质量矩阵Matlab后处理代码

PQ恒功率控制+功率电流环三相逆变器并网

定子电阻辨识 辨识原理：通过施加固定脉冲的占空比，测量电流及电压，计算定子电阻； DQ电感辨识 辨识原理：① 分别施加三组脉冲，测试获得线电感Lab、Lbc、Lca； ② 根据线电感以及角度，计算Ld及Lq； 磁链辨识 辨识原理：① 采用转速、电流双闭环控制，其中D轴给定固定电流，转速设定为额定转速 50%左右； ② 在空载情况下，转矩电流很小，相对D轴电流而言较小，故可以认为D轴电 流约等于线电流； ③ D轴电压很小，Q轴电压约等于线电压；

2.2 Cokriging模型 Cokriging 模型是上个世纪 70 年代发展起来 的一种更有效的地质统计学插值模型 [91]-[95] 。在 地质统计学领域，为了提高对某个抽样比较困难 的量的预测精度，提出了采用更容易抽样的量进 行辅助预测的 kriging 模型，称为 cokriging 模型 [92] 。2000 年，Kennedy 和 O’Hagan[96]首次将 cokriging 模型推广应用于工程科学领域，发展了 一种采用低可信度计算机程序结果，来辅助预测 高可信度计算机程序结果的 cokriging 方法。目前 国际上对 cokriging 模型的研究主要集中在地质统 计学和数学统计学等领域，在航空航天等工程科 学领域的研究也逐渐得到重视 [14][97]-[101] 。 2010 年，文献[101]独立提出了一种可用于 建立变可信度代理模型的实用 cokriging 模型（也 参见[14]）。下面对该模型进行介绍。 对于一个具有 m 个设计变量的优化问题， 在设计空间中同时采用高可信度分析（例如 NS 方程或密网格数值模拟）和低可信度分析（例如 Euler 方程或疏网格数值模拟）进行抽样，并建 立所谓的变可信度代理模型。更多建立变可信度 模型的方法请参见文献[88]。变可信度代理模型 在达到相同近似精度的条件下，可显著提高建立 代理模型的效率。 假设高、低可信度分析程序的抽样位置如下 1 1 2 2 ( )(1) T 1 1 1 ( )(1) T 2 2 2 ( ,..., ) ( ,..., )       S x x S x x   n n m n n m (40) 下标“1”和“2”分别代表高、低可信度，例如 1n 和 2n 分别代表高、低可信度样本点数（假设 2 1n n ）。相应的目标函数或约束函数的响应值 如下 1 1 2 2 ( )(1) T 1 1 1 ( )(1) T 2 2 2 [ ,..., ] , [ ,..., ] .     y y   n n n n y y y y (41) Cokriging 模型预估值定义如下 T T T 1 1 1 2 2ˆ ( )   x λ y λ y λ ySy , (42) 其中 1 2,λ λ 分别为对高、低可信度响应值的加权 系数。假设存在分别与 ,y y1 2 分别对应的 2 个 静态随机过程， ( ) ( ), ( ) ( ).       x x x x Y Z Y Z 1 1 1 2 2 2 (43) 则设计空间不同位置处，随机变量之间的协方差 和交叉协方差定义为 ( ) ( ) ( ) ( )2 (11) 11 1 1 1 ( ) ( ) ( ) ( )2 (22) 22 2 2 2 ( ) ( ) ( ) ( )(12) 1 21 2 1 2 ( ( ), ( )) ( , ) ( ( ), ( )) ( , ) ( ( ), ( )) ( , )        x x x x x x x x x x x x i j i j i j i j i j i j Cov Z Z R Cov Z Z R Cov Z Z R (44) 其中， 21 和 2 2 分别为随机过程 ( )xY1 和 ( )xY2 的过程方差。采用与 kriging 模型类似的推 导方法，可得到 cokriging 模型的预估值如下（具 体推导过程见文献[14]） T T 1 1 Sˆ ( ) ( ) ( )   x φ β r x R y Fβy ， (45) 其中 1 2 1T 1 1 T 11 S 22 1(11) (12) ( ) 2 S 1(21) (22) 2 2 ( )1 , ( ) , , ( )0 , , ,                                                r x φ β F R F F R y r r x y R R 1 0 R y F y 0 1R R      n n (46) 且有