这是一个信道参数提取算法，sage算法的程序，非常有用.

锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF).7z

一、背景 在“搞”深度学习时，除非富如东海，往往都不会直接用大量数据来训练一个网络；一般情况下，比较省钱且高效的思路是利用一些预训练的模型，并在其基础上进行再训练优化，达到自己的目的。 因此，在本博客中将简单记录一下，如何在PyTorch基础上读取预训练模型的参数，并添加到自己的模型中去，从而尽可能减少自己的计算量。 为了直接讲明整个过程，本文设计了一个实验，首先设计了一个网络，其前半部分与FlowNetSimple的Encode一致，后半部分是全连接的分类网络。 下图是FlowNetSimple的网络结构，其中的refinement部分是Decode结构（类似UNet） 本文设计的结构，其

一、GT与Simulink耦合计算 在GT中产生特定的模型 如： genset.gtm 模型，如下图所示： 特定的控制元件 特定的设置

激光雷达和双目相机作为无人驾驶领域中重要的环境感知设备,两者之间的外参配准是其联合应用的重要基础,然而两种信息的融合意味着繁琐的校准过程。基于此,提出一种基于特征点对匹配求解的方法,采用两块矩形木板,分别提取双目相机与激光雷达坐标系下的木板边缘3D点云,拟合空间直线求取角点坐标,最后利用Kabsch算法求解配对的特征点之间的坐标转换,利用聚类法去除多次测量结果中的异常值,并求取平均值。通过搭建实验,所提算法可在Nvidia Jetson Tx2嵌入式开发板上实现,获得了准确的配准参数,验证了理论方法的可行性。此配准方法简单易行,可自动完成多次测量,相比于同类方法精度也有所提高。

点云拟合圆柱求参数，对于结构体桥墩点云求解轴心线及方向

基于改进的PI模型对非线性曲线进行拟合，二次寻优算法进行参数辨识，用逆模型前馈补偿

comsol参数化扫描.mph

产品型号:X5043P位密度:4K结构:×8接口:SPI低电平复位:√高电平复位:－工作电压 (V):4.5~5.5复位门限Vtrip(V):4.25~4.5WDT周期(S):Off/.2/.6/1.4封装/温度(℃):8-DIP/0~70描述:可编程看门狗+上电复位+可设定的低Vcc复位/低电平复位输出, 4K位SPI接口EEPROM, 写保护及块锁定保护.价格/1片(套):￥6.98  

根据哈密顿原理推导出了输流管道的横向振动方程，采用伽辽金法对该方程进行离散获得了管道系统的频率方程，并求出了前4阶临界流速、临界压强以及临界简支长度的计算公式。分析了流速、液体压强和简支长度对固有频率以及压强、简支长度对临界流速的影响。最后进行了固有频率对流速、液体压强等参数的灵敏度分析。研究结果表明：1)与简支长度对固有频率的影响来比，流速、液体压强对固有频率的影响要小；2)固有频率对流速的l阶灵敏度要高于固有频率对液体压强的1阶灵敏度。