taxueli314_新浪博客

常开常闭辅助接点如何定义

(2016-04-22 11:23)

转载▼

标签：

抽蓄

电站

非电气量保护

分类：抽蓄电站非电气量保护

1.对于断路器/负荷开关/隔离开关等开关类辅助接点，常开常闭接点是在开关断开的情况下来说的，也就是开关不在工作位置(线路不带电)的时候,处于断开状态的触点叫常开触点，处于闭合状态的叫常闭触点，在触点闭合（断开）过程中，不产生运动的触点叫静触点。

2.对于继电器而言就是在线圈不励磁(也就是线圈不得电)的状态下的接点状态 ,如果此时接点是断开的就是常开接点,如果是闭合的就是常闭接点。

阅读收藏

查看全文>>

有监督学习和无监督学习的简单理解

(2015-11-20 20:13)

转载▼

分类：学科领域知识

有监督学习和无监督学习的区别是什么？

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。

首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？

最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。

阅读收藏

查看全文>>

Matlab中cov函数详细解读

(2015-01-14 21:27)

转载▼

标签：

股票

分类： MATLAB

１。向量的方差与协方差矩阵

cov(x)

求向量x的方差。

cov(x)为一个数值，数值大小计算公式为S(x)。

cov(x,y)

求向量x与y的协方差矩阵。

cov(x,y)为2*2矩阵，

[S(x) C(x,y);

C(y,x) S(y);]

２。矩阵协方差矩阵

cov(X)

阅读收藏

查看全文>>

滚动轴承故障的主要失效形式及原因

(2013-12-20 10:50)

转载▼

标签：

滚动轴承

故障

失效形式

it

分类：水轮发电机组状态监测与故障诊

滚动轴承故障的主要失效形式及原因

旋转机械是设备故障诊断工作的重点，而旋转机械的故障有相当大的比例与滚动轴承有关。滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％是因滚动轴承引起的，由此可见故障诊断工作的重要性。

最初的轴承故障诊断是利用听棒

阅读收藏

查看全文>>

水轮机各部件的作用

(2013-06-25 20:13)

转载▼

标签：

水轮机

混流式

部件

it

分类：学科领域知识

目前，国内外应用最广泛的是混流式、轴流式水轮机，它们一般由引水部件、导水部件、转轮、泄水部件和非过流部件（包括轴承、主轴和密封等）等组成。

（1）引水部件的作用：主要有罐式引水室或蜗壳引水室，保证把来自

阅读收藏

查看全文>>

[转载]正弦和余弦转换

(2013-06-03 22:23)

标签：

转载

分类：信号处理

原文地址：正弦和余弦转换作者：电气boy

　公式一：
　　设α为任意角，终边相同的角的同一三角函数的值相等：
　　sin（2kπ＋α）＝sinα
　　cos（2kπ＋α）＝cosα
　　tan（2kπ＋α）＝tanα
　　cot（2kπ＋α）＝cotα
　　公式二：
　　设α为任意角，π+α的

阅读收藏

查看全文>>

载波、调幅、调频

(2013-05-26 11:47)

转载▼

标签：

调频

调幅

it

分类：信号处理

1、载波

载波就是传输信号的载体电波，载波频率一般要远远高于要传输信号的频率（至少两倍），因为频率越低向空间的发射能力越差。调制就是把低频的信号和高频的载波混合在一块，使得低频信号的频率变高得以发射。载波作为信号传输发射的“载体”，主要是把基带信号（可以理解为原始微弱的信号）和载波一起调制（可以理解为加到一块）到高频段，利于发射传输。因为在低频段，信号不易传输发射，容易受到干扰。

2、调幅波、调频波

调幅

阅读收藏

查看全文>>

svmtrain和svmpredict简介

(2013-05-24 19:40)

转载▼

标签：

svmtrain

svmpredict

svm

参数介绍

it

分类： SVM

本文主要介绍了SVM工具箱中svmtrain和svmpredict两个主要函数：

(1)model= svmtrain(train_label, train_matrix, ['libsvm_options']);

其中：

train_label表示训练集的标签。

train_matrix表示训练集的属性矩阵。

libsvm_options是需要设置的一系列参数，各个参数可参见《libsvm 参数说明.txt》，里面介绍的很详细，中英文都有的。如果用回归的话，其中的-s参数值应为3。

model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。

(2)[predicted_label, accuracy/mse, decision_values]=svmpredict(test_label, test_matrix, model, ['libsvm_options']);

其中：

test _label表示测试集的标签（这个值可以不知道，因为作预测的时候，本来就是想知道这个值的，这个时候，随便制定一个值就可以了，只是这个时候得到的mse就没有意义了）。

test _matrix表示测试集的属性矩阵。

阅读收藏

查看全文>>

MATLAB中Legend的一些控制方法

(2013-04-09 13:52)

转载▼

标签：

matlab

legend

it

分类： MATLAB

高级用法2：指定显示某几条曲线的legend：

方法1：复杂到吐血

阅读收藏

查看全文>>

为什么自己使用SVR做预测效果很差

(2013-03-24 23:14)

转载▼

标签：

svr

it

分类： SVM

以下部分是摘自FARUTO的新浪博客的原文

【
这个最有技术含量了，因为总有朋友说用libsvm做分类或者回归效果不好，我说把数据给我试一下，结果我做的效果一般都会比其要好，为啥捏？这里先简单说一点点：使用libsvm（SVM）不是简简单单的用svmtrain输入几个参数 -c -g 生成model后用svmpredict来分类或者回归，其实更重要的是前期的数据预处理和后期的参数选择（归一化范围的选取，降维算法的选取，以及最佳参数选取的算法）这些才是关键，其实说白了如果这些您都搞得很透彻的话，选择其他分类器也能做好，即这些（前期的数据预处理和后期的参数选择）做好了，选择神马分类器真的并不重要，在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中我把常见的数据预处理方法（归一化，降维pca）和参数选择算法（grid search 暴力搜索方法，启发式GA、PSO方法）都封装好了方便大家使用，同样是用这个加强工具箱，但对于同一个测试数据集合，我敢保证肯定会有人用的效果就没有我的好，为啥捏？因为知其然不知其所以然！肯定是其仅仅是了解一些表象的使用，而对于底层到底是怎么回事没有搞清楚，这样在具体的参数调整上肯定是不行

阅读收藏

查看全文>>