用CNN做rul.通过卷积神经网络测得轴承的剩余使用时间。用来做轴承寿命预测RUL，包括训练集和测试集两部分，还有说明文档pdf

基于 Transformer 的锂电池寿命预测（Remaining Useful Life，RUL）（Python完整源码和数据） Packages pytorch 1.8.0 pandas 0.24.2 基于 Pytorch 的 Transformer 锂电池寿命预测（Remaining Useful Life，RUL）

英文科研论文写作指导 English for Writing Research Papers Useful Phrases 目录 1. 解释为什么你的主题X是重要的 2 2. 概述X研究的过去和现在的历史(没有直接参考文献) 2 3. 描述X研究可能的未来 2 4. 指示知识上的差距和可能存在的局限性 3 5. 说明论文的目的及其贡献（ABSTRACT，INTRODUCTION） 4 6. 解释你所在领域的关键术语 4 7. 解释你将如何在论文中使用术语和缩写 5 8. 给出论文的结构，包括什么与不包括什么 5 9. 全面介绍从过去到现在的文献 5 10. 回顾过去的文献 6 11. 回顾随后的和最近的文献 6 12. 阐述过去的文献中作者说明了什么 7 13. 提及他人工作的积极方面 7 14. 强调之前研究的局限性（不提及作者姓名） 7 15. 强调之前研究的局限性（提及作者姓名） 8 16. 用他人的观点来证明你对别人工作的批评是正确的 9 17. 描述测试的目的/使用的方法 9 18. 概括与其他作者的模型、系统等的相似之处 9 19. 描述所使用的的仪器或来源 10 20. 报告所使用的的软件 10 21. 报告所执行的规范 10 22. 建立方程、理论和定理 11 23. 说明你选择的具体方法、型号、设备、样品等 11 24. 解释样品的制备、溶液的配制等 11 25. 概述样本、调查等的选择程序 12 26. 表示时间范围（过去时态） 12 27. 表示时间范围（现在时态） 12 28. 表示必须小心 13 29. 描述你的方法，设备的优点 13 30. 概述可替代的方法 13 31. 解释你是如何得到结果的 14 32. 报告调查问卷和访谈的结果 14 33. 说明你发现了什么 14 34. 说明你没有发现什么 15 35. 突出重大成果和成就 15 36. 证明你的结果证实了先前的证据 16 37. 证明你的结果与先前的证据相反 16 38. 说明与证明你的结果的可接受性 17 39. 对结果的解释表示谨慎 17 40. 列出不希望或意想不到的结果 17 41. 承认局限性 18 42. 解释和证明不希望或意想不到的结果 18 43. 尽量减少不希望或意想不到的结果 19 44. 表达意见和可能性 20 45. 宣布你的结论和总结内容 20 46. 重述结果（结论部分） 20 47. 突出成就（结论部分） 20 48. 突出局限性（结论部分） 21 49. 概述你的工作可能的应用和意义 21 50. 作者未来进行或计划的工作 22 51. 未来的工作计划由第三方执行 22 52. 致谢 23 53. 参考表格和数字，以及他们的含义 24 54. 转换话题，关注新话题 24 55. 在论文中前后参照 24 56. 回到你的研究目标 24 57. 参考文献之外的内容 25

A Sampler of Useful Computational Tools for Applied Geometry, Computer Graphics, and Image Processing

介绍 你好！ 鉴于最近的ProxyLogon攻击-我一直在跟踪有用的Powershell脚本，这些脚本可能会使系统管理员受益。 这些脚本可能会有所不同，可能对每个人都没有用，但可能会使异常组织受益。 随着时间的流逝，我将尽我所能继续更新这些脚本。 感谢您的阅读！ 计划任务检查 说明：一个简单的Powershell脚本，可将计划任务导出到Temp目录。 可以帮助定位由攻击者安排的任务，以持久地保留在系统上。 用法： 确保您的设备上允许执行策略： Set-ExecutionPolicy不受限制注意：执行后，最好重新设置为恢复原状 要生成日志并导出到C：\ Temp \目录中的CSV，请键入： 。\ ScheduledTaskChecker.ps1 PCAL审核（登录审核时更改密码） 描述：您可以运行一个简单的脚本来验证哪些用户已设置为在下次登录时更改其密码。 用法： 。\ PCALA

高一英语 Module 4《Fine Arts-Useful phrases》课件 外研版必修2.ppt

剩余使用寿命（RUL）预测在预测和健康管理（PHM）中起着至关重要的作用，以提高可靠性并降低众多机械系统的周期成本。 深度学习（DL）模型，尤其是深度卷积神经网络（DCNN），在RUL预测中正变得越来越流行，从而在最近的研究中取得了最新的成果。 大多数DL模型仅提供目标RUL的点估计，但是非常需要为任何RUL估计具有关联的置信区间。 为了改进现有方法，我们构建了一个概率RUL预测框架，以基于参数和非参数方法来估计目标输出的概率密度。 模型输出是对目标RUL的概率密度的估计，而不仅仅是单点估计。 所提出的方法的主要优点是该方法自然可以提供目标预测的置信区间（不确定性）。 我们通过一个简单的DCNN模型，在公开可用的涡轮发动机退化模拟数据集上验证了我们构建的框架的有效性。 源代码将在https://github.com/ZhaoZhibin/Probabilistic_RUL_Prediction中发布。

写sci论文经典句式，从摘要到总结。

XYAZ-Setup-7.3.2-useful.rar

介绍了机器学习的来龙去脉，非常好