为提高SAC型液压支架控制器的产品质量及检验效率,针对其电气特性及接口形式,根据煤矿井下的安全标志要求,设计了一套自动化检测平台。重点介绍支架控制单元组成,检测平台的硬件电路等软件程序设计;硬件部分采用ARM7芯片LPC2294为CPU设计,软件部分基于嵌入式实时操作系统uC/OS-II设计实现。该检测平台经投入实际使用,能够快速、可靠地完成控制器的检测,检测效率提高6倍以上。

强化学习算法合集（DQN、DDPG、SAC、TD3、MADDPG、QMIX等等）内涵20+强化学习经典算法代码。对应使用教程什么的参考博客： 多智能体（前沿算法+原理） https://blog.csdn.net/sinat_39620217/article/details/115299073?spm=1001.2014.3001.5502 强化学习基础篇（单智能体算法） https://blog.csdn.net/sinat_39620217/category_10940146.html

* 请注意，SACPC2MAT 适用于小端机器（Linux 和 Windows PC），而 SACSUN2MAT 适用于像 SUN 这样的大端机器。 [SACdata,SeisData,filenames]=SACPC2MAT('file1','file2',...,'filen') [SACdata,SeisData,filenames]=SACSUN2MAT('file1','file2',...,'filen') 以 SUN 或 PC 字节顺序读取 n 个 SAC 文件 file1、file2、filen 并将它们转换为 MATLAB 格式。 文件名可以包含通配符（例如 * 和 ?）。 这些被展开并加载所有匹配的文件。 SACPC2MAT( cellarray ) 其中 cellarray={'file1','file2',...,'filen'} 等效于标准形式。 SACda

流行的无模型强化学习算法 PyTorch和Tensorflow 2.0在Openai体育馆环境和自行实现的Reacher环境中均实现了最新的无模型强化学习算法。 算法包括软参与者关键（SAC），深度确定性策略梯度（DDPG），双延迟DDPG（TD3），参与者关键（AC / A2C），近端策略优化（PPO），QT-Opt（包括交叉熵（ CE）方法） ， PointNet ，运输商，循环策略梯度，软决策树等。 请注意，此存储库更多是我在研究和实施期间实施和测试的个人算法集合，而不是正式的开放源代码库/软件包以供使用。 但是，我认为与他人分享它可能会有所帮助，并且我希望对实现进行有益的讨论。 但是我没有花太多时间在清理或构建代码上。 您可能会注意到，每种算法可能都有几种实现方式，在此我特意展示所有这些方式，供您参考和比较。 此外，此存储库仅包含PyTorch实施。 对于RL算法的官方库，

盆式PPO 关于沉思-PPO 这是Pensieve [1]的一个简单的TensorFlow实现。 详细地说，我们通过PPO而非A3C培训了Pensieve。 这是一个稳定的版本，已经准备好训练集和测试集，并且您可以轻松运行仓库：只需键入 python train.py 反而。 将每300个时代在测试集（来自HSDPA）上评估结果。 实验结果 我们报告了熵权重β，奖励和熵的训练曲线。 通过双簧管网络轨迹评估结果。 提示：橙色曲线：pensieve-ppo； 蓝色曲线：pensieve-a2c 预训练模型 此外，我们还在添加了预训练模型 与原始Pensieve模型相比，该模型的平均QoE提高了7.03％（0.924-> 0.989）。 如果您有任何疑问，请随时告诉我。 [1] Mao H，Netravali R，Alizadeh M.带自适应神经网络自适应视频流[C] // ACM数据

sac操作手册-地震数据处理

读取地震波形数据，SAC格式，MINIseed格式。

rdmseed:读取迷你种子文件 每个数据记录被导入到一个结构数组中，允许分别添加数据块和头字段(对于多通道文件很有用)，就像用一个简单的cat(1,X.d)函数连接所有数据一样。时间戳也被转换为Matlab datenum格式。该函数使用两种常用的压缩格式Steim-1和Steim-2来读取“仅数据”的迷你种子。通用FDSN格式也得到了实现(ASCII、16/24/32位整数、IEEE浮点数和双数)，以及GEOSCOPE多路复用旧格式(24位、16/3或16/4位增益范围)。所有这些格式都应该能够工作，但其中一些还没有使用真实数据进行测试。我还部分编码了Steim-3格式，但没有明确的描述和任何文件示例……由于我从未遇到过使用这种格式的数据文件，我不知道它是否真的有用。 该函数还自动检测大/小端编码文件。

在仿真环境vrep中，采用SAC（可收敛，之前发现网上有几个版本SAC不收敛），以opencv目标检测坐标为状态输入，以质点坐标为动作输出，奖励值设计为xy平面上四旋翼和小车的距离。当中还有TD3算法。可以熟悉vrep端口调用，一点目标检测算法，一点RL算法。

多代理SAC 介绍 环境。 在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或将球击出界外，则其获得的奖励为-0.01。 因此，每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。 该任务是情节性的，并且为了解决环境，您的特工必须获得+0.5的平均分数（在两个特工均取得最高分后，连续100次以上）。 具体来说， 在每个情节之后，我们将每个代理商获得的奖励加起来（不打折），以获得每个代理商的得分。 这将产生2个（可能不同）的分数。 然后，我们取这两个分数中的最大值。 这为每个情节产生一个单一的分数。 当这些分数的平均值（超过100集）至少为+0.5时，就认为环境已解决。