传统的多变量分析（MVA）故障诊断方法通常要求分离的采样数据潜在变量必须服从正态分布，这通常很难满足实际的工业过程。 本文首先介绍了一种基于Q统计量的故障诊断方法。 它要求采样数据必须服从正态分布。 然后介绍一种基于信息增量矩阵（IIM）的故障诊断方法，该方法的采样数据不受正态分布的限制。 该方法主要由定义协方差矩阵，计算信息增量矩阵，信息增量均值和动态阈值等组成。 最后，给出了一个数值模拟的例子和一个田纳西州的伊斯曼过程的例子，以验证两种错误诊断方法，即Q统计量和IIM，在误报和漏报中的检测性能。 结果表明，在采样数据不服从正态分布的情况下，Q统计方法的检测性能较差，而基于IIM的故障诊断方法较好。
2022-11-13 21:34:54
556KB
1
采用STM32F103C8T6单片机，KeilMDK5.32版本
串口异步通信，开启收发方向，阻塞式发送（仿printf发送）；非阻塞式接收数据。
PC13控制LED灯，LED灯的亮灭指示接收到数据。
程序初始化完成之后，开启接收中断。
在接收完成回调函数中，重新开启接收中断（因为在进入接收回调函数前，所有与接收相关的中断已经关闭）
2022-11-12 14:50:21
16.56MB
1
一个理想的放大器，其输出信号应当如实的反映输入信号，即他们尽管在幅度上不同，时间上也可能有延迟，但波形应当是相同的．但是，在实际放大器中，由于种种原因，输入信号不可能与输入信号的波形完全相同，这种现象叫做失真．
放大器产生失真的原因主要有2个：
① 放大器件的工作点进入了特性曲线的非线性区，使输入信号和输出信号不再保持线性关系，这样产生的失真称为非线性失真．
② 放大器的频率特性不好，对输入信号中不同频率成分的增益不同或延时不同，这样产生的失真成为线性失真．
非线性失真产生的主要原因来自2方面：① 晶体管等特性的非线性；② 静态工作等位置设置的不合适或输入信号过大．由于
2022-11-10 18:49:53
44KB
1
这里将加载iris数据集，创建一个山鸢尾花（I.setosa）的分类器。
# Nonlinear SVM Example
#----------------------------------
#
# This function wll illustrate how to
# implement the gaussian kernel on
# the iris dataset.
#
# Gaussian Kernel:
# K(x1, x2) = exp(-gamma * abs(x1 - x2)^2)
import matplotlib.pyplot as plt
import nump
2022-11-10 16:19:10
138KB
1
通常linux下用安装oracle后，只有切换至oracle用户下方可执行相关的数据库的sqlplus及imp\exp相关命令的操作，经过这里的此配置后方可解决此问题，所有用户下均可以执行上述相关操作
2022-11-10 11:34:43
248B
1