EasyScrollerChartView EasyScrollerChartView ：这是一个自定义标题内容，可滑动，惯性滑动，边界回弹，可单击的坐标系图，使用简单，只有一个自定义视图应有的基本素质（适用于横坐标区间平均，只关注纵坐标的场景） 原理：先通过横坐标刻度值和纵坐标刻度值确定原点的位置，确保刻度值的布局，再次基础上确定可替换区域Rect，滑动使用滚动条。 功能： 1，通过继承EasyScrollerChartView实现drawContent方法，使用参数替换自己所需的内容（柱，线，点随你画，参数齐全），其他功能皆由父类实现，如需修改可重载父类方法。 2，可随手写笔迹，越过左右边界自回弹，且在边界处滑动阻尼。 3，提供点击事件，并且将点击坐标处理转换（横坐标代表点击位置相对于所画内容的横坐标下标，纵坐标为相对于当前自定义坐标系的值），实际使用需自己再次处理。 4，横

贝塞尔函数的椭圆轨道平均异常

这是一个平均的 AC-DC VSC。 该模型将向您展示 VSC 关于 d/q 解耦的基本原理。 控制系统在 pu 中运行，因此在更改转换器块“掩码”中的额定值后，可以灵活地将其应用于另一个网络。 如果你想在这个平均模型的基础上建立一个真实的模型，你可以启用 PMW，并用 6 个开关替换受控的 3 个电压源。 如果您有任何问题或建议，请联系我，chunpeng.li@strath.ac.uk。 笔记： 1、变频器控制部分内部，所有参数均采用单位。 2. 打开转换器的“Mask”[Ctrl+M]，进入“Initialisation”选项卡，可以更改所有等级。 3.双击转换器，在“全局监视器”块中，可以观察pu中的变量。 在左上角的红色方框中，您可以切换和调整P / V控件，并调整Q设定点。

项目实现了基于OpenCvSharp实现了图像灰度处理，包含了分量法、最大值法、平均法、加权平均法等灰度处理方法的实现，可将打开后的图片处理后并保存到本地磁盘。

摘要：文中介绍了一种常用的开关变换器建模方法---能量守恒平均法，依据能量守恒平均原理，建立连续模式下Buck 变换器的直流和小信号模型，并给出开环传递函数。仿真分析表明，该模型能够准确描述变换器的频域特性，验证了理论推导的有效性。 　　0 引 言 　　开关变换器是典型的强非线性系统，因此，其电路动态运行解析的分析方法较复杂。为解决工程上遇到的一些开关变换器的设计问题，必须对其进行动态建模。开关变换器的建模方法一般可分为两大类:一类称为数字仿真法;另一类称为解析建模仿真法。前者的准确度和精确度都高，但物理概念不明了，对工程设计指导意义不大。工程上较常用的是解析建模法中的状态空间平均法和电路

基于统计学方法,对故障诊断及故障处理过程中可能遇到的典型故障现象,提出一系列稳定可靠的故障数据模拟新算法,由此可灵活组配各种需要的模拟数据方案。建立了模拟故障数据构造的层次组合模型,总结出不同实际情况需求的模拟故障数据算法步骤。结合配电网中2个实例,通过等价类划分进行实验。结果表明所建议的方法在故障数据模拟过程中简单实用。该算法尽可能抽象故障数据中最本质的内容,对数据挖据及故障模拟方案的设计及实施有一定的实际意义。

学生成绩信息包括：学期，学号，班别，姓名，四门课程成绩(语文、数学、英语和计算机)等。 主要功能： （1） 能按学期、按班级完成对学生成绩的录入、修改 （2） 能按班级统计学生的成绩，求学生的总分及平均分 （3） 能查询学生成绩，不及格科目及学生名单 （4） 能按班级输出学生的成绩单 要求：使用二进制文件方式存储数据，系统以菜单方式工作

针对齿轮箱升降速过程中振动信号非平稳的特点，将阶次跟踪、角域平均和连续小波变换相结合，提出了基于角域平均和连续小波变换的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样，再对时域信号进行等角度重采样，转化为角域平稳信号，然后对角域信号进行角域平均，以消除干扰噪声的影响，最后对角域平均信号进行连续小波变换，根据小波幅值图和相位图，就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析，表明该方法能有效地诊断齿轮的故障状态。

提出了一种电力系统多区域分布式状态估计方法，各区域估计器利用其数据采集与监视控制系统提供的量测数据进行本地状态估计，并通过平均一致性算法获取全局信息进行系统级状态估计。建立了基于拉格朗日乘子法的状态估计模型并设计了基于一致性的全局信息交换协议，给出了多区域分布式状态估计算法的实现流程。通过IEEE 14节点和118节点系统中的仿真算例验证了所提方法的正确性和有效性，并就估计精度和计算效率与现有状态估计方法进行了比较。仿真结果表明分布式状态估计方法可有效提高集中式状态估计系统的计算效率及可靠性，适用于结构更加复杂、量测数据体量更大电网的状态估计。

市场趋势预测 这是一个构建知识图谱课程的项目。 该项目利用历史股票价格，并整合了来自客户的社交媒体，以预测道琼斯工业平均指数（DJIA）的市场趋势。 数据周期：2016年8月1日至2017年10月31日。DJIA数据范围：2016年8月1日至2017年11月30日。数据来源：Business Insider（记录号：2,017），Reddit finance（4,383），facebook（11,528） ），雅虎财经（10,478），Twitter（24,271）结构数据：Facebook，Twritter。 预测结果 请。 请引用。 T+1 Prediction