灯光控制系统 用于家庭自动化灯光控制系统的Web应用程序。 目录 演示版 :backhand_index_pointing_right: 观看演示视频。 成就成就 简洁的用户界面 动态更改亮度值和灯泡名称 改善了动态呈现数据的可维护性-主App组件的每个子组件都在动态呈现数据 响应式设计可提高用户体验 自动化的组件测试 建立过程 使用渲染房间数据。 使用使用房间数据创建表。 渲染灯开关并创建带有toggleSwitch方法。 研究了用于渲染圆形滑块以进行灯光控制的不同库，并决定使用。 我做出此决定是为了通过更好的用户体验来改善UI。 我考虑过的其他库： ， 为了突出显示用户选择的房间，我在选定的表行中添加了“突出显示”类。 为了使箭头从“显示”点指向突出显示的房间，我使用了样式库来动态更改“顶部”样式属性。 使用HTML颜色代码将零部件颜色与线框设计进行匹配。 添加了详细的样式以与线框设计匹配。 当用户选择特定的灯泡来更改名称时，将

Basic Theory of Direct Torque Control DTC 电动机直接转矩控制基本原理

PyCNN：使用Python的细胞神经网络进行图像处理 细胞神经网络（CNN） 是最早在1988年细胞神经网络提出类似于神经网络，与该通信在相邻单元之间只允许的差的平行计算模式。 图像处理是其。 CNN处理器旨在执行图像处理； 具体来说，CNN处理器的原始应用是执行数字处理器无法实现的实时超高帧速率（> 10,000 frame / s）处理。 这个python库是CNN的实现，用于图像处理。 注：该库已在发表的研究被引用，寻找在参考部分中引用＃19。 我很高兴这个图书馆可以为社区提供帮助。 注意：不得将细胞神经网络（CNN）与完全不同的卷积神经网络（ConvNet）混淆。 如上图所示，想象一个带有反馈回路的控制系统。 f（x）是分段线性S型函数。 控制（模板B）和反馈（模板A）模板（系数）是可配置的，并控制系统的输出。 在确定常用图像处理技术的模板方面已经进行了重大研究，这些模板已发布在此。 进一步阅读： 动机 这是2014年第14届细胞纳米级网络和应用（CNNA）大会上演示的扩展。我写了一篇博客文章，可在。 我的论文使用了该库在IEEE Xplore中发布了一个。 依存

Richard C.Dorf & Robert H.Bishop 编写，Modern Control Systems 12edition

ROS路径规划器（进行中） 这是针对跟随机器人的基于ROS的控制系统和模拟器。 该体系结构在自治系统和机器人技术中具有大量用例。 基本路径规划算法是与轨迹优化器结合使用的A-star算法。 可视化在RViz中完成。

matlab 通信论文仿真代码一般说明 这些是手稿“Structural Scheduling of Transient Control under Energy Storage Systems by Sparse-Promoting Reinforcement Learning”的模拟代码。 仿真需要在MATLAB中安装Mat-power工具箱。 源代码模拟了带有储能系统的电网在意外情况下的瞬态过程，手稿中提出的方法在源代码中有所体现。 仿真环境要求 Matlab，版本 2019a。 Matpower 7.0，可从以下网址下载：。 CVX半定编程工具箱，可从网址下载：。 开始模拟 每个文件夹中所有的仿真程序入口文件名都以“main”开头，用户可以通过在matlab中运行仿真程序入口文件来启动仿真。 文件夹说明 文件夹“Simulation without control”包括电力系统瞬态模拟的源代码文件，其中发生意外，不受控制。 文件夹“建议方法下的仿真”包含我们在论文中提出的控制在发生意外后进行电力系统暂态仿真的源代码文件，该控制在 0.4 秒时激活。 文件夹“在各种伽马下控制”包

maptalks.control.compass maptalks罗盘控件。 例子 安装 使用npm npm install maptalks.control.compass ： npm install maptalks.control.compass 。 用纱安装： yarn add maptalks.control.compass 。 从下载。 使用unpkg CDN： https://cdn.jsdelivr.net/npm/maptalks.control.compass/dist/maptalks.control.compass.min.js ：//cdn.jsdelivr.net/npm/maptalks.control.compass/dist/maptalks.control.compass.min.js和https://cdn.jsdelivr.net/npm/m

Distributed Consensus in Multi-vehicle Cooperative

这是HPIPM，一种高性能的内点方法求解器，用于密集的，最优的控制结构和树形结构的凸二次方程序。 它提供有效的密集算法和结构探索算法的实现，以解决一般在模型预测控制和嵌入式优化中出现的中小型问题，并且它依赖于高性能线性代数程序包BLASFEO。 HPIPM（和BLASFEO，这是一个依赖项），同时包含make和cmake构建系统。 首选的是make ，它可以用来编译和运行任何语言的任何库，接口和示例。 make也用于连续集成travis脚本中。 cmake只能用于编译库，而感兴趣的用户应通过从各种Makefile的命令中Makefile灵感来编译接口并自己运行示例。 入门： 开始使用HPIPM的最佳方法是查看/hpipm/examples/ 。 HPIPM可以从C直接使用，但是也有到Python和Matlab的接口。 根据您要使用HP​​IPM的级别，请查看下面的以下部分。 可以在do

MPC控制 对于审稿人： MPC模型的详细信息。 初始状态和参考轨迹 Eigen::MatrixXd transformGlobal2Vehicle ( double x, double y, double psi, const vector< double> & ptsx, const vector< double> & ptsy) { assert (ptsx. size () == ptsy. size ()); unsigned len = ptsx. size (); auto waypoints = Eigen::MatrixXd ( 2 , len); for ( auto i = 0 ; i < len; ++i) { waypoints ( 0 , i) = cos (psi) * (ptsx[i] - x) + sin (psi) * (pts