本系统采用STM32F103V开发板作为控制中心，与万向节、摆杆、直流风机（无刷电机+扇叶）、激光头、反馈装置一起构成摆杆运动状态与风机速度分配的双闭环调速系统。单片机输出可变的PWM波给电机调速器，控制4个方向上风机的风速，从而产生大小不同的力。利用加速度计模块MPU6050，准确测出摆杆移动的位置与中心点位置之间的关系，采样后反馈给单片机，使风机及时矫正，防止脱离运动轨迹。使用指南针模块判别方向，控制系统向指定方向偏移。控制方式采用PID算法，比例环节进行快速响应，积分环节实现无静差，微分环节减小超调，加快动态响应。从而使该系统具有良好的性能，能很好地实现自由摆运动、快速制动静止、画圆、指定方向偏移，具有很好地稳定性。

风雨江湖水利系列软件2024版，包括6项软件： 1.明渠水面线分析及糙率计算软件，能够根据确定的计算范围分析水面线和渠道综合糙率，并以图形直观显示。 2.SPEI和SPI旱涝程度计算软件，可以根据输入的降水、气温等数据计算标准化降水蒸散指数SPEI和标准化降水指数SPI。 3.P-Ⅲ型水文频率分析助手，可针对水文数据的连序系列和不连序系列，基于多种优化准则自动进行P-Ⅲ分布的优化适线，还可随机样本生成等。 4.BP和RBF神经网络计算软件，实现具有3层网络结构的反向传播神经网络和径向基函数神经网络的训练和运行。 5.遗传规划GP数据挖掘软件，可实现最多四元输入单输出非线性函数回归。软件能够根据输入、输出样本进行模型训练，通过遗传操作自动寻找由加、减、乘、除，以及三角函数和反三角函数组成的最优函数表达式。 6.灌区水资源优化配置软件，可实现灌区水资源的优化配置，包括旱作物生育阶段间的水资源优化配置、水稻生育阶段间的水资源优化配置、子区作物间的水资源优化配置，以及灌区子区间的水资源优化配置。

之前一直用Directshow技术采集摄像头数据，但是觉得涉及的细节比较多，要开发者比较了解Directshow的框架知识，学习起来有一点点难度。最近发现很多人问怎么用FFmpeg采集摄像头图像，事实上FFmpeg很早就支持通过DShow获取采集设备（摄像头、麦克风）的数据了，只是网上提供的例子比较少。如果能用FFmpeg实现采集、编码和录制（或推流），那整个实现方案就简化很多，正因为这个原因，我想尝试做一个FFmpeg采集摄像头视频和麦克风音频的程序。经过一个星期的努力，终于做出来了。我打算把开发的心得和经验分享给大家。我分三部分来讲述：首先第一部分介绍如何用FFmpeg的官方工具（ffmpeg.exe）通过命令行来枚举DShow设备和采集摄像头图像，这部分是基础，能够快速让大家熟悉怎么用FFmpeg测试摄像头采集；第二部分介绍我写的采集程序的功能和用法；第三部分讲解各个模块包括采集、编码、封装和录制是如何实现的。

folderselect.js是一款仿windows资源管理器风格的jQuery复选框美化插件。它能够以文件夹的形式来显示分层的数据结构，它还支持AJAX数据调用，事件回调，数据头等。

家用风扇控制器设计 控制风速和风种 风扇控制器具有上电自动清零功能，能控制风速的强、中、弱三种转速，风种的正常、自然风、睡眠风三种状态 ，并且风扇按开关键时可以开启风扇（初态为风速弱、风种正常），再按开关键时可停止。

5MW永磁直驱风电机组simulink仿真模型，采用全功率变流器进行控制，机侧网侧均采用矢量控制，网侧可单位功率因数并网，并网电流THD满足要求，不错的学习资源。

针对传统随机生产模拟忽略负荷的时序特性而难以考虑机组启停、备用、调峰等相关动态费用的问题，将转移频率分析纳入随机生产模拟框架中，形成了改进等效电量频率法．该方法通过等效负荷频率曲线(ELFC)的卷积考虑机组启停，将生产成本分析的范畴拓宽到动态费用的计算．根据所提算法和含风电的EPRI 36算例，比较了风电并网前后系统可靠性指标、燃料成本、环境成本和动态费用等的变化，并研究了风电装机规模对动态费用率的影响．结果表明，相对于动态费用的增加，风电对系统可靠性与经济性的改善是主要的，但动态费用率随着风电规模的扩大

麦克风阵列信号处理英文原版书籍，非常好的参考书。作者：Jacob Benesty · Jingdong Chen · Yiteng Huang

基于STM32单片机的智能电风扇设计研究.docx

共有两个数据集和一个源码文件（有问题可联系博主） 基于随机森林和XGBoost的肥胖风险多类别预测系统是一个利用机器学习算法对个体肥胖风险进行精准分类的先进工具。在现代社会，肥胖已成为影响人类健康的重要因素之一，与多种慢性疾病密切相关。因此，开发一个能够准确预测肥胖风险的模型具有重要的现实意义。 该系统采用随机森林和XGBoost两种集成学习算法，通过整合多个决策树或弱学习器的预测结果，实现了对肥胖风险的多类别预测。随机森林通过随机抽样和特征选择构建多棵决策树，利用多数投票原则得出最终预测结果；而XGBoost则通过梯度提升算法优化目标函数，不断迭代生成新的弱学习器，并将它们的预测结果加权求和，得到最终的预测值。 数据集方面，系统采用了包含多个特征（如年龄、性别、身高、体重、生活方式等）和肥胖风险类别标签的数据集。通过对这些数据进行预处理和特征工程，系统能够提取出与肥胖风险密切相关的关键信息，为模型训练提供有力的数据支持。 在源码实现方面，系统采用了Python编程语言，并借助了scikit-learn和xgboost等机器学习库。