摘要：
import numpy as np import matplotlib.pyplot as plt # 定义二阶系统参数 omega_n = 1.0 # 无阻尼自然频率 t = np.linspace(0, 20, 1000) # 不同阻尼比 zeta_values = [0,1, 0.5, 1. 阅读全文
posted @ 2024-11-04 13:25
redufa
阅读(96)
评论(0)
推荐(0)
摘要：
目录提取目录删除目录制作目录效果图 目前有两个问题，一般的目录文本格式有问题，需要用正则化方式，生成比较好的目录文件，比如csv格式，txt格式 另外，生成的目录，层级只有一级 提取目录 import fitz # PyMuPDF import pandas as pd # 打开PDF文件 pdf_ 阅读全文
posted @ 2024-11-03 17:00
redufa
阅读(77)
评论(0)
推荐(0)
摘要：
import pypdf # 输入和输出文件名 input_pdf_filename = 'file.pdf' output_pdf_filename = 'file_with_toc.pdf' csv_filename = 'output.csv' # 创建一个PdfWriter实例 writer 阅读全文
posted @ 2024-11-03 05:06
redufa
阅读(20)
评论(0)
推荐(0)
摘要：
import fitz # PyMuPDF import pandas as pd # 打开PDF文件 pdf_path = '控制之美.pdf' # 请确保替换为正确的文件路径 document = fitz.open(pdf_path) # 初始化一个列表来存储目录信息 toc_list = [ 阅读全文
posted @ 2024-11-03 03:57
redufa
阅读(279)
评论(0)
推荐(0)
摘要：
import fitz # PyMuPDF import pandas as pd # 打开PDF文件 pdf_path = '控制之美.pdf' # 请确保替换为正确的文件路径 document = fitz.open(pdf_path) # 初始化一个列表来存储目录信息 toc_list = [ 阅读全文
posted @ 2024-11-03 03:53
redufa
阅读(110)
评论(0)
推荐(0)
摘要：
% 定义参数 zeta = 0.1; % 阻尼比减小，以实现更慢的衰减 omega_n = 1; % 自然频率 omega_d = omega_n * sqrt(1 - zeta^2); % 阻尼频率 varphi = pi / 4; % 相位角 % 定义时间变量 t = linspace(0, 2 阅读全文
posted @ 2024-11-03 02:14
redufa
阅读(55)
评论(0)
推荐(0)
摘要：
import numpy as np import matplotlib.pyplot as plt # 定义参数 zeta = 0.1 # 阻尼比减小，以实现更慢的衰减 omega_n = 1.0 # 自然频率 omega_d = omega_n * np.sqrt(1 - zeta**2) # 阅读全文
posted @ 2024-11-03 01:43
redufa
阅读(43)
评论(0)
推荐(0)
摘要：
import os import hashlib import shutil def file_hash(filepath): """计算文件的MD5哈希值""" hash_md5 = hashlib.md5() with open(filepath, "rb") as f: for chunk i 阅读全文
posted @ 2024-11-01 22:55
redufa
阅读(49)
评论(0)
推荐(0)
摘要：
在Python中批量提取多个Excel文件的数据并将其写入同名的CSV文件，可以使用 pandas 库来实现。以下是一个简单的脚本示例，它将遍历指定文件夹中的所有Excel文件，读取数据，并将这些数据保存为同名的CSV文件。 首先，确保你已经安装了 pandas 和 openpyxl （用于读取Ex 阅读全文
posted @ 2024-10-30 20:57
redufa
阅读(32)
评论(0)
推荐(0)
摘要：
以下是一个Python脚本的示例，它将生成5个不同的Excel文件，每个文件包含不同的数据： import pandas as pd import numpy as np # 设置文件名前缀和数量 file_prefix = 'excel_file' number_of_files = 5 # 循环 阅读全文
posted @ 2024-10-29 22:21
redufa
阅读(42)
评论(0)
推荐(0)
摘要：
好的，下面我将提供一个完整的Python示例，包括手写FFT算法（快速傅里叶变换）和使用NumPy的内置FFT算法，然后对比两者的结果并绘制图形。 1. 手写FFT算法 我们将实现一个简单的FFT算法，即Cooley-Tukey算法，这是一种最常用的FFT算法。 2. NumPy内置FFT算法 Nu 阅读全文
posted @ 2024-10-29 21:47
redufa
阅读(177)
评论(0)
推荐(0)
摘要：
1. 一阶系统微分方程 典型一阶系统微分方程 \[\frac{dx(t)}{dt}+ax(t)=au(t) \]零初始条件 \(x(0)=u(0)=0\) ，对其进行拉普拉斯变换 \[sX(s)+aX(s)=aU(s) \]调整得到传递函数 \[G(s）=\frac{X(s)}{U(s)}=\fra 阅读全文
posted @ 2024-10-28 17:47
redufa
阅读(38)
评论(0)
推荐(0)
摘要：
 阅读全文
posted @ 2024-10-25 09:57
redufa
阅读(25)
评论(0)
推荐(0)
摘要：
原始格式  目标格式 <img src="https://img2024.cnblogs.com/blo 阅读全文
posted @ 2024-10-24 23:34
redufa
阅读(41)
评论(0)
推荐(0)
摘要：
目录1.拉普拉斯变换2. 拉普拉斯收敛域3.导数的拉普拉斯变换推导过程5.传递函数6.电感电阻电路动态方程拉氏变换常数输入L逆变换7. 控制系统传递函数8.非零初始状态的传递函数 1.拉普拉斯变换 \[\mathscr{L} [f(t)]=F(s)= \int ^ \infty _0 f(t) e^ 阅读全文
posted @ 2024-10-24 17:31
redufa
阅读(718)
评论(0)
推荐(0)
摘要：
目录模块简介1. datetime模块2. pandas库操作示例datetime 模块pandas 处理时间序列dateutil 解析时间 在Python中处理时间数据，你可以使用标准库中的datetime模块，或者使用第三方库如pandas和dateutil。 模块简介 在Python中处理时间 阅读全文
posted @ 2024-10-23 17:34
redufa
阅读(169)
评论(0)
推荐(0)
摘要：
在MATLAB中，求解冲击输入的拉普拉斯变换以及系统的冲击响应通常涉及以下几个步骤： 定义冲击输入：在MATLAB中，冲击输入通常用狄拉克δ函数（Dirac delta function）表示，可以使用dirac函数来创建。 计算拉普拉斯变换：使用laplace函数计算冲击输入的拉普拉斯变换。 计算 阅读全文
posted @ 2024-10-23 16:48
redufa
阅读(219)
评论(0)
推荐(0)
摘要：
以下是使用Python进行时间序列分析的十个示例代码，这些代码涵盖了不同的时间序列分析方法，包括ARIMA、季节性分解、指数平滑等。 1. 自回归（AR）模型 from statsmodels.tsa.ar_model import AutoReg import numpy as np # 生成示例 阅读全文
posted @ 2024-10-22 22:09
redufa
阅读(119)
评论(0)
推荐(0)
摘要：
Pandas库中的rolling方法是一种强大的数据处理工具，主要用于执行基于滑动窗口的计算，这在时间序列数据或数据框中非常常见。以下是对rolling方法及其支持的函数的综合概述： 1. rolling方法的基本概念和用法 rolling方法用于创建一个滚动窗口对象，该对象可以应用于数据框的列，以 阅读全文
posted @ 2024-10-21 16:07
redufa
阅读(261)
评论(0)
推荐(0)
摘要：
\(P_{[k]} \\ =E(e_{[k]}e_{[k]}^{\mathrm{T}})\) \(=E(((I-K_{[k]}H_{{m}})e_{[k]}^{-}-K_{[k]}v_{[k]}) ((I-K_{[k]}H_{\mathrm{m}})e_{[k]}^{-}-K_{[k]}v_{[k] 阅读全文
posted @ 2024-10-19 13:19
redufa
阅读(1416)
评论(0)
推荐(0)
摘要：
by AI classdef KalmanFilter < handle properties % 系统模型参数 A % 状态转移矩阵 B % 控制输入矩阵 H % 观测矩阵 Q % 过程噪声协方差 R % 测量噪声协方差 P % 状态估计协方差 x % 状态估计 end methods % 构造函 阅读全文
posted @ 2024-10-18 14:00
redufa
阅读(136)
评论(0)
推荐(0)
摘要：
by AI import numpy as np class KalmanFilter: def __init__(self, A, H, Q, R, x0, P0): """ 初始化卡尔曼滤波器 :param A: 状态转移矩阵 :param H: 观测矩阵 :param Q: 过程噪声协方差矩阵 阅读全文
posted @ 2024-10-18 13:55
redufa
阅读(105)
评论(0)
推荐(0)
摘要：
目录系统状态与测量观测1.系统方程2. 过程噪声3. 观测向量4. 测量噪声参考文献 系统状态与测量观测 1.系统方程 线性离散系统的状态方程（带噪声） \[x_{[k]}=Ax_{[k-1]}+Bu_{[k-1]}+w_{[k-1]} \\ \]\(x_{[k]}\)为为\(n\times1\) 阅读全文
posted @ 2024-10-17 18:15
redufa
阅读(118)
评论(0)
推荐(0)
摘要：
下面是一个简单的支持向量机（SVM）实现，用于解决线性可分问题。 这个实现不使用任何机器学习库，只使用NumPy进行矩阵运算。 请注意，这个实现主要用于教学目的，实际应用中推荐使用成熟的库，如scikit-learn。 import numpy as np class SVM: def __init 阅读全文
posted @ 2024-10-15 15:58
redufa
阅读(109)
评论(0)
推荐(0)
摘要：
使用Python中的scikit-learn库来实现SVM分类器。 支持向量机（SVM）基本概念 支持向量机是一种监督学习算法，用于分类和回归分析。SVM的核心思想是在特征空间中找到一个超平面，这个超平面能够最大化地分隔不同类别的数据点。 SVM的关键概念： 超平面（Hyperplane）：在n维空 阅读全文
posted @ 2024-10-15 15:32
redufa
阅读(322)
评论(0)
推荐(0)
摘要：
支持向量机 1. 支持向量 SVM 最优化问题 SVM 想要的就是找到各类样本点到超平面的距离最远，也就是找到最大间隔超平面。任意超平面可以用下面这个[线性方程]来描述： \[\omega ^ T x +b=0 \]二维空间点$ (x,y)$ 到直线$ Ax+By+C=0$ 的距离公式是： \[\ 阅读全文
posted @ 2024-10-15 15:07
redufa
阅读(86)
评论(0)
推荐(0)
摘要：
{ "python.analysis.extraPaths": [ "c:\\Users\\41273\\.vscode\\extensions\\savvyanalyst.msc-adams-1.0.0\\resources\\adamspy" ], "python.autoComplete.ex 阅读全文
posted @ 2024-10-13 22:05
redufa
阅读(91)
评论(0)
推荐(0)
摘要：
笔记本中的vscode设置 修改界面的隐藏和显示时，会提示 Unable to write into user settings because the file has unsaved changes. Please save the user settings file first and th 阅读全文
posted @ 2024-10-13 21:55
redufa
阅读(79)
评论(0)
推荐(0)
摘要：
import numpy as np class FiniteElementAnalysis: def __init__(self, nodes, elements, material_properties): self.nodes = nodes self.elements = elements 阅读全文
posted @ 2024-10-13 05:17
redufa
阅读(62)
评论(0)
推荐(0)
摘要：
常用数据挖掘算法总结及Python实现 阅读全文
posted @ 2024-10-13 04:31
redufa
阅读(9)
评论(0)
推荐(0)
摘要：
import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt import pandas as pd from sklearn.datasets import load_iris plt.close(' 阅读全文
posted @ 2024-10-12 17:13
redufa
阅读(11)
评论(0)
推荐(0)
摘要：
确实，我提供的示例代码中有一些需要修正的地方。让我们逐一解决这些问题，并提供正确的核密度估计（KDE）的Python代码。 使用 SciPy 进行核密度估计 import numpy as np from scipy.stats import gaussian_kde import matplotl 阅读全文
posted @ 2024-10-12 14:55
redufa
阅读(320)
评论(0)
推荐(0)
摘要：
多项式特征管道命令 from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression from sklearn.pipeline import make_pip 阅读全文
posted @ 2024-10-11 16:57
redufa
阅读(19)
评论(0)
推荐(0)
摘要：
Python 是统计分析的强大工具，特别是当结合了如 NumPy、SciPy、Pandas、Statsmodels 和 Scikit-learn 等库时。以下是一些基本的统计分析方法和相应的 Python 实现： 1. 描述性统计 描述性统计涉及数据的汇总和简化，以提供数据集的快照。 均值（Mean 阅读全文
posted @ 2024-10-11 16:18
redufa
阅读(381)
评论(0)
推荐(0)
摘要：
目录1.导入相关模块2.导入数据和画图3.分割数据有监督学习示例：鸢尾花数据分类4.高斯朴素贝叶斯无监督学习示例：鸢尾花数据降维5.PCA数据降维无监督学习示例：鸢尾花数据聚类6. 高斯混合模型 1.导入相关模块 import numpy as np imprort pandas as pd imp 阅读全文
posted @ 2024-10-11 15:17
redufa
阅读(90)
评论(0)
推荐(0)
摘要：
目录一、算法特点1. KNN 分类算法2. 线性回归3. 逻辑回归4. 支持向量机（SVM）5. 决策树6. 随机森林7. 朴素贝叶斯8. 梯度提升（Gradient Boosting）9. 集成学习10. 神经网络二、应用代码1. KNN 分类算法2. 线性回归3. 逻辑回归4. 支持向量机（SV 阅读全文
posted @ 2024-10-10 20:13
redufa
阅读(1027)
评论(0)
推荐(0)
摘要：
当然，以下是一些使用 Pandas 的 df.plot() 方法绘图的例子： 线图： import pandas as pd import numpy as np # 创建数据 t = np.linspace(0, 10, 100) x = np.sin(t) y = np.cos(t) # 创建 阅读全文
posted @ 2024-10-09 23:44
redufa
阅读(74)
评论(0)
推荐(0)
摘要：
塑性力学是固体力学的一个重要分支，它研究材料在超过弹性极限后的行为。以下是一些塑性力学中的主要公式及其推导： 1. 屈服准则 Von Mises 屈服准则 用于金属材料的屈服准则，假设材料在等效应力达到某个临界值时开始发生塑性变形。 \[ \sigma_{eq} = \sqrt{\frac{1}{2 阅读全文
posted @ 2024-10-09 16:30
redufa
阅读(759)
评论(0)
推荐(0)
摘要：
当然可以，以下是Pandas处理时间序列的常用方法总结，代码和文字说明均使用Markdown格式。 1. 日期解析 将字符串日期转换为Pandas的datetime对象。 import pandas as pd # 假设有一个包含日期字符串的DataFrame df = pd.DataFrame({ 阅读全文
posted @ 2024-10-09 16:27
redufa
阅读(106)
评论(0)
推荐(0)
摘要：
在 Pandas 中，join、merge 和 concat 是用于合并或连接不同 DataFrame 的方法，但它们在功能和使用场景上有所不同。 join join 方法是 DataFrame 的一个方法，它默认以索引为基础来合并数据。join 主要用于将另一个 DataFrame 的列添加到当前 阅读全文
posted @ 2024-10-08 17:06
redufa
阅读(407)
评论(0)
推荐(0)
浙公网安备 33010602011771号