为了求解有限时域最优控制问题, 自适应动态规划(ADP) 算法要求受控系统能一步控制到零. 针对不能一步控制到零的非线性系统, 提出一种改进的ADP 算法, 其初始代价函数由任意的有限时间容许序列构造. 推导了算法的迭代过程并证明了算法的收敛性. 当考虑评价网络的近似误差并满足假设条件时, 迭代代价函数将收敛到最优代价函数的有界邻域. 仿真例子验证了所提出方法的有效性.

1、相电流差突变量选相原理 在不同的短路故障下，两相电流差的工频变化量为 ΔIAB=ΔIA-IB=ΔIA1+ΔIA2+ΔIA0-ΔIB1-ΔIB2-ΔIB0=ΔIA1+ΔIA2+ΔIA0-α2ΔIA1-αΔIA2-ΔIA0=（1-α2）ΔIA1+（1-α）ΔIA2 ΔIBC=（α2-α）ΔIA1+（α-α2）ΔIA2 ΔICA=（α-1） ΔIA1+（α2-1） ΔIA2

2.系统类型 3. 阶跃输入下的静态位置误差系数 4. 斜坡输入下的静态速度误差系数Kv 5. 加速度输入下的静态加速度误差系数Ka 1. 稳态误差与输入信号有

针对通信系统中数字信号调制方式难以准确识别的问题，根据归一化前后小波变换包络的差异性，提出基于小波变异系数差值（ΔCV）和相似度特征的识别算法。该算法对MASK、MFSK、MPSK和MQAM 4种数字调制信号进行分类识别。理论分析和仿真实验表明算法简单易行，适用范围广，且在信噪比大于2 dB时数字调制信号识别率均在92.39%以上。

光束平差的目的是优化 光束平差的意义：在机器视觉中，三维重建是个研究的热点。通常情况下，采用某些算法计算出的三维点和真实的三维点存在差异，光束平差的目的就是减小这个误差，所以，其意义也是显而易见的。

当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。 压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校） 3、聚集残余转换为深层神经网络- ResNeXt（Facebook的AI研究）

功率谱密度函数 MATLAB代码帧差异 该项目最初是 Paxton 和 Dale (2012) 中帧差分 Matlab 代码的简单 R 翻译。 此外，我们还添加了一些辅助功能，用于使用非常简单的 ffmpeg 包装功能将视频文件拆分为 jpeg。 我们可能会在未来为 ffmpeg 添加额外的功能，但目前该功能的唯一目的是为用户定义的采样率提取视频帧。 在当前形式下，它还可以仅提取关键帧。 还有一个用于根据频率和周期估计和绘制功率谱密度的函数。 这对于研究帧差分输出的频率内容可能很有用。 安装 devtools::install_github('') 附加安装说明 使用 ffpmeg 功能需要安装 ffmpeg 并可通过命令行访问。

这是广播域 冲突域的区别，图示简单明了。主要是帮助初学者模拟理解。非原创，有补充。

转台工作面角位置测量装置误差分析与补偿.pdf,针对特定转台轴端角位置检测误差不能反映实际产品工作面空间角位置的问题，介绍了一种以圆光栅和水平电容传感器作为测角元件的转台工作面空间角位置定位测量装置。以提高空间测角精度为目的，重点对装置各项误差因素进行归类分析。除光栅和传感器分别存在的分系统测角误差外，测量装置还存在转轴与测量基面不平行、传感器敏感轴与测量基面不平行等误差项。为修正测角系统误差，根据圆光栅旋转面、传感器敏感轴、转轴轴系、测量基面的空间几何关系建立数学模型，分析系统误差影响因素。最后利用分度误差在0.3 ″高精度转台对校准装置进行标定，并利用径向基函数（RBF）神经网络建立误差补偿模型，对系统测角精度进行修正，使系统最大误差值由13.75 ″下降至2.9 ″，满足了3 ″以内的测角精度需求。

delphi Memo及tstrlists的交集差集并集