只需要输入测量的电压，和时间就能算出所有实验相关。非常神奇。本人亲测。很好用

目的：使用所谓的广义 RAS (GRAS) 方法估计具有外生给定行和列总数的新矩阵 X，该矩阵尽可能接近给定的原始矩阵 X0。 打开保存gras.m的目录，在MATLAB编辑器中写入>> 帮助 gras 并且您将轻松了解如何使用此功能。 GRAS 方法的所有细节在 Temurshoev, U.、Miller RE 和 MC Bouwmeester (2013)，关于 GRAS 方法的注释，经济系统研究，25:3，第 361-367 页中进行了描述。 如果您使用该程序并以工作/讨论论文、期刊文章等形式发表结果，请您引用上述论文（其网络附录包含当前代码）。

能实现前进 转弯。还在调试中，发现在较大外力作用下，会来回振荡。个人觉得问题出在速度环节的比例系数上。希望大神指点，交流。

平衡车-电动平衡车，又叫体感车、思维车、摄位车等。其运作原理主要是建立在一种被称为“动态稳定”（Dynamic Stabilization）的基本原理上，利用车体内部的陀螺仪和加速度传感器，来检测车体姿态的变-pinghengche

注意：需要优化工具箱才能使wilson.m正常工作它包括用于多余吉布斯能量的二参数模型Margules，Van Laar和Wilson，因此，用于活度系数。 二元混合物的VLE数据必须可用。 它们存储在变量中： x1-平衡液体摩尔。 组分1的压裂y1-平衡蒸气摩尔。 组分1的压裂P系统压力 在运行wilson.m，van laar.m和margules.m之前，请确保已加载这些变量。 还必须提供纯物质的饱和压力。 程序将计算模型参数，均方根以进行性能比较，然后根据模型绘制系统压力并与给定的实验数据进行比较。 这两个程序使用的方程都是基于Smith，Van Ness，Abbott和Swihart在他们的书《化学工程热力学概论》（第8版）中提出的方程。 文档中的样本问题也来自本书。 对于UNIQUAC，请提供结构和二元相互作用参数，以及两个组件的Antoine系数。 所用的方程式来自Pra

平衡小车是用stm32做的，资料包括源码、物料清单、模块接线，模块资料，代码有注释。使用MPU6050姿态传感器模块获取小车的角度，通过串口将提取的信息送给M3，通过M3中的PID算法来计算PWM，将PWM输出至舵机来控制小车的转角，通过M3中的算法控制TB6612FNG电机驱动器，使得电机工作。周期读取自行车角度及MPU6050中数据、使得舵机、电机不断调整，从而获得动态平衡。

针对国内长距离相干光通信接收系统采用单管探测器接收微弱信号噪声大、信噪比低等缺点，设计了一种应用于相干光通信系统的平衡探测器，运用两个PIN 管分别加跨阻放大器(TIA)，经过两个180°混频魔T 进行耦合相减，消除了大部分的激光器相对强度噪声(RIN)。搭建了测试平衡探测器的相干光通信系统，使本振光和信号光进行光混频，输出眼图显示通信状态良好。通过对比双管和单管的频谱图，进一步说明相干光通信系统的噪声通过这种平衡探测器得到了降低，系统的信噪比提高了大约10 dB，从而证明了该平衡探测器运用于相干光通信系统的可行性和优越性。

盈亏平衡表.docx

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。

数据分布的不平衡性和数据特征的非线性增加了分类的困难，特别是难以识别不平衡数据中的少数类，从而影响整体的分类效果。针对该问题，结合KFDA（kernel Fisher discriminant analysis）能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想，提出了KFDA-Boosting算法。为了验证该算法对不平衡数据分类的有效性和优越性，以G-mean值、少数类的查准率与查全率作为分类效果的评价指标，选取了UCI中10个数据集测试KFDA-Boosting算法性能，并与支持向量机等六种分类算法进行对比实验。结果表明，对于不平衡数据分类，尤其是对不平衡度较大或呈非线性特征的数据，相比于其他分类算法，KFDA-Boosting算法能有效地识别少数类，并且在整体上具有显著的分类效果和较好的稳定性。