社区
交换及路由技术
帖子详情
任命dancingbit(芥子)为网络设备版版主!
yangzi7908
2004-09-30 07:53:45
dancingbit(芥子)在网络方面的经验是大家有目共睹的,希望dancingbit(芥子)在遵守CSDN制度前提下,最大限度发挥自己的特长为版友服务!!
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
...全文
181
15
打赏
收藏
任命dancingbit(芥子)为网络设备版版主!
dancingbit(芥子)在网络方面的经验是大家有目共睹的,希望dancingbit(芥子)在遵守CSDN制度前提下,最大限度发挥自己的特长为版友服务!! ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
15 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
田兴刚
2004-10-06
打赏
举报
回复
dancingbit(芥子) 以后要给我们大家更多地回答一些经典问题啊!!!恭喜了。。。
大排面
2004-10-06
打赏
举报
回复
恭喜...
warlord
2004-10-03
打赏
举报
回复
dancingbit(芥子) ,又要占用你不少时间了,呵呵。
tsunc
2004-10-02
打赏
举报
回复
全几个利用公司的网络自己做了一台web服务器
又买了个域名解析在服务器上
大家帮我看看这样的速度做空间行不行,
这个服务器支持.net
如有想要空间的请在里面留言
http://xmbar.com
后来开发了个FTP://210。52。79。50
里面收集了很多的软件和影片可以下载
我现在想在做个邮件服务器,不知想要怎么做,请高手指点
xjp6688
2004-10-02
打赏
举报
回复
恭喜...
byseeyou
2004-10-02
打赏
举报
回复
dancingbit(芥子) 以后要给我们大家更多地回答一些经典问题啊!!!恭喜了。。。
love0532
2004-10-02
打赏
举报
回复
专门来恭喜芥子的
zhangblade
2004-09-30
打赏
举报
回复
+u 啊
nethpm
2004-09-30
打赏
举报
回复
恭喜恭喜,多多指教
aoaoao
2004-09-30
打赏
举报
回复
恭喜恭喜
macob
2004-09-30
打赏
举报
回复
升官发财哈,恭喜恭喜
dancingbit
2004-09-30
打赏
举报
回复
呵呵,水平有限,还望各位多多捧场!
jimmyge
2004-09-30
打赏
举报
回复
恭喜...
xjp6688
2004-09-30
打赏
举报
回复
up
wzgme
2004-09-30
打赏
举报
回复
恭喜啊。。
picturebox的图片路径问题
有一个程序p1,里面有一个存放图片的文件夹photo。 目录结构如下:(文件夹p1包含文件夹Resources、bin,Resources包含photo,bin包含Debug) p1 ——Resources ——photo ——bin
IEC 60815-1-2008 TS.pdf
IEC 60815-1-2008 TS
IEC 60794-1-2-2017.pdf
IEC 60794-1-2-2017
【IEEE顶刊复现】主动配电网鲁棒故障恢复【两阶段鲁棒模型+确定性模型】研究(Matlab代码实现)
内容概要:本文围绕主动配电网鲁棒故障恢复问题展开研究,重点实现了两阶段鲁棒优化模型与确定性模型的Matlab代码复现,属于IEEE顶刊级别科研成果的高质量复现工作。研究针对配电网在故障情况下面临的多重不确定性因素,构建了包含故障隔离、网络重构、负荷恢复等关键环节的优化模型,采用YALMIP等工具进行建模与求解,提供了完整的仿真代码与详实的实验结果分析,充分验证了所提方法在提升主动配电网韧性、增强供电恢复能力方面的优越性能。研究不仅展示了理论建模过程,更强调实际编程实现与仿真调试,有助于深入理解鲁棒优化在电力系统中的应用机制。; 适合人群:具备电力系统分析基础和一定Matlab编程能力的研究生、高校科研人员以及从事智能电网、配电网自动化等相关领域的工程技术人员。; 使用场景及目标:① 学习并掌握两阶段鲁棒优化在主动配电网故障恢复中的建模思想与求解流程;② 复现高水平期刊研究成果,提升科研仿真与论文写作能力;③ 将所学方法应用于配电网韧性评估、应急调度决策、网络动态重构等实际工程问题的研究与开发; 阅读建议:建议结合文中提供的网盘资源下载完整代码,按照目录结构循序渐进地学习,重点关注模型构建的数学逻辑与Matlab实现的技术细节,通过亲自运行和调试代码加深对算法原理与优化过程的理解,并可在此基础上拓展至含分布式能源、多微网协同等更复杂场景的故障恢复研究。
GMM模型算法讲解-下载即用.zip
已经博主授权,源码转载自 https://pan.quark.cn/s/a4b39357ea24 gmm-em-clustering 高斯混合模型(GMM 聚类)的 EM 算法实现。 高斯混合模型简介 高斯混合模型(GMM, Gaussian Mixture Model)是多个高斯模型的线性叠加,高斯混合模型的概率分布可以表示如下: $$P(x)=\sum{k=1}^K \alphak \phi (x; \muk, \Sigmak)$$ 其中,K 表示模型的个数,αk 是第 k 个模型的系数,表示出现该模型的概率,φ(x; μk, Σk) 是第 k 个高斯模型的概率分布。 这里讨论的是多个随机变量的情况,即多元高斯分布,因此高斯分布中的参数不再是方差 σk,而是协方差矩阵 Σk 。 我们的目标是给定一堆没有标签的样本和模型个数 K,以此求得混合模型的参数,然后就可以用这个模型来对样本进行聚类。 GMM 的 EM 算法 EM 算法是通过不断迭代来求得最佳参数的。 在执行该算法之前,需要先给出一个初始化的模型参数。 我们让每个模型的 μ 为随机值,Σ 为单位矩阵,α 为 1⁄K,即每个模型初始时都是等概率出现的。 EM 算法可以分为 E 步和 M 步。 E 步 直观理解就是我们已经知道了样本 $xi$,那么它是由哪个模型产生的呢? 我们这里求的就是:样本 $xi$ 来自于第 k 个模型的概率,我们把这个概率称为模型 k 对样本 $xi$ 的"责任",也叫"响应度",记作 $\gamma{ik}$,计算公式如下: $$\gamma{ik} = \frac {\alphak \phi(xi; \muk, \Sigmak)} {\sum{k=1}^K \alphai \phi(xi; \...
交换及路由技术
3,840
社区成员
12,764
社区内容
发帖
与我相关
我的任务
交换及路由技术
硬件使用 交换及路由技术相关问题讨论专区
复制链接
扫一扫
分享
社区描述
硬件使用 交换及路由技术相关问题讨论专区
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章