使用K均值的客户细分
使用K-Means聚类算法根据新近度，频率和货币价值（RFM）指标对客户进行细分
2021-12-22 12:59:42
1.5MB
1
高斯带通系统的频率响应为：
设输入白噪声的功率谱
系统输出功率谱为
3 白噪声通过理想高斯线性系统
2021-12-22 10:11:29
1.41MB
1
该程序将两个信号相加和相乘。 它还置换、放大和改变信号的频率。
更多信息，请访问： http : //www.matpic.com
2021-12-21 22:54:26
13KB
1
频率解析Matlab代码基于RNN的强化学习框架，可确保稳定的最佳频率
该存储库包含重现以下论文中显示的结果所必需的源代码：
作者：崔文琦和张宝森
华盛顿大学
动机
除了传统的线性下垂控制器以外，基于逆变器的资源的渗透率的提高还为我们提供了电力系统频率调节方面的更多灵活性。
由于具有快速的电源电子接口，与线性控制器相比，基于逆变器的资源可用于实现复杂的控制功能，并可能在性能上带来较大的收益。
通过将参数化为神经网络来发现这些非线性控制器，强化学习已成为一种流行的方法。
基于学习的方法面临的主要挑战是，很难对学习到的控制器强制执行稳定性约束。
另外，电力系统的时间耦合动力学将大大减慢神经网络的训练。
在本文中，我们建议对基于神经网络的控制器的结构进行显式设计，以确保所有拓扑和参数的系统稳定性。
这可以通过使用Lyapunov函数来指导其结构来完成。
基于递归神经网络的强化学习架构用于有效地训练控制器的权重。
最终的控制器仅使用本地信息并优于线性下降，以及仅通过使用强化学习而学习到的策略。
从提出的框架中学到的灵活的非线性控制器
在这里，我们展示了与线性下降控制相比，神经网络控制器的作用
2021-12-21 14:01:34
1022KB
1