EE308_LPL_Sprint (D5)

Cwq_kirito 2021-11-20 20:31:23
he Link Your Classhttps://bbs.csdn.net/forums/MUEE308FZ
The Link of Requirement of This AssignmentEE308_LPL_Sprint (D5)-CSDN社区
Group number07-B
The leader's MU STU ID and FZU STU ID19104448_831901201
The members MU STU ID and FZU STU ID

19103573_831901223

The members MU STU ID and FZU STU ID19103476_831901206
The members MU STU ID and FZU STU ID19103077_831901218
The members MU STU ID and FZU STU ID19104171_831901301
The Name of TeamLPL
GITHUB PROJECT LINKhttps://github.com/Koumpo101/Programming-language-teaching
 

 

 

Project Progress

MemberCompleted tasksTime(min)Difficulties and Solution
MengZe YuBasic knowledge of the database and how to build a database220I have never learned database, and it is my first time to come into contact with such knowledge

WenQi

Chen

Beautify the Ui, implement the likes and favorites function, and the data can be uploaded to the database130Spent a lot of time in learning JS language and database operation. 
ZhiLin JieThe third day vlog shooting was completed100
SiCai CaoFocus on learning the use of network requests130As a built-in function of wechat developer tools, API can invoke various capabilities of wechat for developers to realize various complex functions such as WXML rendering and data storage

GuangRong

 

Liu

Learn about GET requests and POST requests, Django design patterns and template layers100

Progress records

Progress screenshoot

 

Burnout Chart

 

 

 

 

 

 

 


Member Contribution

MemeberContribution RateContribution Details
MengZe Yu35%front page&summary blog

WenQi

Chen

35%front page&vlog
ZhiLin Jie10%front page
SiCai Cao10%
sprint blog & front page

GuangRong

 

Liu

10%front page&ppt

UML Diagram

 

...全文
379 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文提出一种名为“特征层SMOTE”的新方法,用于解决工业故障诊断中常见的类不平衡与类间重叠问题,特别是在燃气轮机故障诊断中的应用。该方法采用“先分离、后增强”的技术框架:首先利用深度孪生多头自注意力网络(DSMHSA)学习一个可分离的特征空间,通过对比损失使同类样本紧凑、异类样本分离;随后在此高质量特征空间中对少数类故障样本进行SMOTE数据增强;最后使用Softmax分类器完成故障分类。实验表明,该方法在真实燃气轮机数据集和机器人故障数据集上均显著优于多种经典过采样与不平衡学习方法,提升了故障召回率与整体平衡准确率。; 适合人群:从事故障诊断、工业大数据分析、不平衡学习研究的科研人员与工程师,具备一定深度学习与机器学习基础的研究者; 使用场景及目标:①解决工业场景中故障样本稀缺且与正常样本高度重叠的问题;②提升深度学习模型在极度不平衡数据下的诊断性能,实现高灵敏度的早期故障检测; 阅读建议:本文强调问题分解与可解释性设计,建议读者重点关注其“先分离、后增强”的思想、对比损失的作用机制以及特征空间可视化的验证方式,结合t-SNE结果与消融实验深入理解各模块贡献,并可将其范式迁移至其他时序信号分析与少样本故障诊断任务中。
内容概要:本文聚焦于三相不平衡配电网的静态与动态状态估计问题,提出并实现了基于无迹卡尔曼滤波(UKF)、自适应无迹卡尔曼滤波(AUKF)及扩展无迹卡尔曼滤波(EUKF)等多种先进滤波算法的状态估计算法,依托Matlab平台完成系统建模、量测配置、算法设计与仿真实验全过程。研究重点解决了配电网在复杂运行条件下因三相不平衡导致的状态估计精度下降难题,通过对比不同滤波方法在动态响应速度、抗噪能力与估计稳定性方面的表现,显著提升了电网状态感知的准确性与时效性,具有较强的理论深度与工程应用价值。; 适合人群:具备电力系统分析基础和Matlab编程能力的研究生、高校科研人员以及从事智能配电网、电力系统状态估计相关工作的工程技术专家。; 使用场景及目标:①为高校及科研机构开展配电网状态估计相关课题提供算法实现参考与仿真平台支持;②助力电力企业优化配电自动化系统中的状态估计模块,提升系统可观测性与运行可靠性;③作为新型滤波算法在实际电网动态监测中应用的可行性验证工具。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点关注不同滤波器在处理非线性、非高斯噪声及负荷突变场景下的性能差异,并可根据实际配电网拓扑结构对模型进行适配与拓展,进一步开展算法优化与工程化研究。

183

社区成员

发帖
与我相关
我的任务
社区描述
福州大学 梅努斯国际工程学院 软件工程 教学
软件工程 高校
社区管理员
  • 单步调试
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧