本资源为本科毕业设计，包含论文、源码、答辩PPT、参考论文等资料。 摘要 PID控制是最常见的控制方法到目前为止，绝大多数反馈控制都是是由这种方法或其变形构成。本文以原稳加热炉的温度控制系统为研究对象，设计了一个自校正PID控制器。 PID控制器设计中最重要的是PID参数的设置，随着计算机技术的快速发展，它主要是通过一些先进的软件实现，例如，现在广泛使用的MATLAB仿真软件。本设计主要是通过MATLAB应用最小二乘拟合方法研究PID控制器设计方法，设计PID自校正控制器温度控制系统。 仿真以递推最小二乘法为自适应规律，研究原稳加热炉温度控制，用MATLAB语言编程并进行系统仿真，在仿真结果的基础上进行分析研究。 为了使系统更精确，本文采用了“带遗忘因子的递推最小二乘法”估计算法。结果表明当采用自校正PID算法时，系统有自适应能力，能根据被调节系统自动调节KP、KI、KD 参数使系统达到稳定，解决了长期以来大时滞实验锅炉系统PID参数设定难的问题。 目录 摘 要 ABSTRACT 第一章 绪论 1.1选题背景意义 1.2加热炉温度控制现状及趋势 1.3本文主要研究内容 1.4 本文内容安排 第二章 PID简介 2.1PID控制原理 2.2PID控制的参数整定 2.3PID参数整定研究现状 2.4数字PID控制 2.4.1位置式PID控制算法 2.4.2增量式PID控制算法 2.2.3数字PID控制器的参数整定方法 2.2.4采样周期的选择 2.5本章小结 第三章 Matlab简介 3.1MATLAB概述 3.2 MATLAB语言特色 3.2.1MATLAB语言的有关指令及结构 3.2.2MATLAB数值计算 3.3 MATLAB编程简介 3.3本章小结 第四章PID参数自校正算法 4.1 自适应控制系统概述 4.1.1模型参考自适应控制 4.1.2自校正控制 4.1.3自校正控制系统 4.2递推最小二乘自校正控制系统 4.2.1最小二乘法简介 4.2.2自校正控制系统 4.2.3 递推最小二乘估计 4.2.4 带遗忘因子的递推最小二乘算法的递推算式 4.2.5 初值的确定 4.3最小二乘自校正PID控制算法 4.3.1 具体框图和原理 4.3.2 带遗忘因子的递推最小二乘法 4.4本章小结 第五章 MATLAB仿真过程及其程序编写 5.1控制对象数学模型 5.2算法实现流程图 5.3基于最小二乘的PID自校正调节器编程 5.4仿真结果 5.5本章小结 结论 参考文献

本资料为本科生毕业设计，包含毕业论文、答辩PPT、源码、参考文献原文等详细资料。 摘要 从油井中采出的原油一般都含有一定比例的水，原油含水增加了储存、输送、炼制过程中设备的负荷。在石油炼制过程中，增加了升温时的燃料消耗，水和原油一起被加热时，水会急速汽化膨胀，压力上升，影响炼油厂正常操作和产品质量，甚至会发生爆炸。原油中的水多数含有盐类，加速了在储存外输过程中设备、容器和管线的结垢或腐蚀。因此外输原油前，需进行脱水，使含水量要求不超过0.5%。 本文根据石油生产中的联合站原油脱水过程，设计了基于西门子S7-200系列PLC和组态王的联合站原油脱水自动控制控制监控系统。下位PLC接收由加热炉温度传感器采集的温度信号，温度信号在PLC中实现标度变换，并对加热炉出口温度进行PID控制，通过调整加热炉燃油量的多少，实现加热炉恒温控制。采用西门子S-200编程软件STEP7-Micro/WIN设计原油脱水自动控制系统的梯形图，利用组态王设计上位机界面，上位机能够实现数据的实时监控，数据的实时采样与处理。 目录 摘 要 Abstract 目 录 第1章 绪论 1.1本设计目的和意义 1.2联合站原油脱水监控系统的国内外现状及发展趋势 1.3本文研究内容 第2章 联合站原油脱水系统工艺流程 2.1联合站简介 2.2联合站原油脱水工艺流程 2.3联合站原油脱水工艺流程简介 2.4联合站原油脱水的主要工艺参数指标 2.5联合站原油脱水参数控制 2.6本章小结 第3章 联合站原油脱水控制系统方案设计 3.1系统方案选择 3.2原油脱水系统控制指标 3.3联合站原油脱水系统硬件选型 3.3.1温度仪表的选用 3.3.2压力仪表的选用 3.3.3油水界面仪表的选用 3.3.4流量仪表的选用 3.3.5含水分析仪表的选用 3.3.6液位仪表的选用 3.3.7阀门的选用 3.4控制系统硬件结构和控制原理 3.4.1控制系统硬件结构 3.4.2系统PID控制原理 3.5梯形图程序编写 3.6本章小结 第4章 监控系统设计 4.1 监控组态软件简介 4.1.1 组态王简介 4.1.2组态王特点 4.2原油脱水监控设计 4.3本章小结 结 论 参考文献 致 谢

本资源为本科毕业设计，包含毕业论文与源码，以及该文章的参考文献等资料。 摘要 语音是人类获得信息的重要来源和利用信息的重要手段。语音信号处理是研究用数字信号处理技术和语音学知识对语音信号进行处理的新兴的学科，是目前发展最为迅速、应用十分广泛的交叉前沿科学。对于如何高效地实现语音传输、存储通过语音实现人机交互是语音信号处理领域的重要研究课题。 本设计针对现在大部分语音处理软件内容繁多、操作不便等问题，采用MATLAB7.0综合运用GUI界面设计、各种函数调用等来实现语音信号的变频、变幅、傅里叶变换及滤波，程序界面简练，操作简便，具有一定的实际应用意义。 目录 第1章 概述 1.1课题背景及意义 1.2国内外研究现状 1.3本课题的研究内容和方法 1.4本论文主要内容 第2章 MATLAB简介和方案设计 2.1 MATLAB环境简介 2.2 语音信号处理系统方案 第3章 语音信号处理基本知识 3.1 语音信号处理相关技术 3.2采样定理和采样频率 3.3数字滤波器设计原理 第4章 语音信号处理系统设计 4.1图形用户界面设计 4.2原始信号处理 4.3加噪声语音信号处理 4.4布拉克曼滤波器滤波 4.5巴特沃斯滤波器滤波 结 论

有没有比较好用的降重软件？

这是一个作者毕业设计的爬虫，爬取58同城、赶集网、链家、安居客、我爱我家网站的房价交易数据。 欢迎使用！ 恳请上面网站的鹳狸猿不要和谐我，我没有天天开着爬的～～～ 关于AWK文的使用方法 File_catalog.awk提供了一套处理爬虫数据的算法。算法使用GNU工具awk语言实现。 使用awk程序用此算法处理后数据可以按月和房屋类型拆分为不同文件。 使用方法： Linux/Unix（或者其他可以使用awk程序的平台） awk -f [File_catalog.awk的位置] [需要处理的爬虫数据（文件名必须包含xinfang/ershoufang/zufang，数据第一列必须为年月的六位数字如201604）] 来源：https://github.com/lihansunbai/Fang_Scrapy 注：该代码分享于5年前，应该已经无法爬取上述网站的数据了，仅供学习交流使用。

一个后台文章管理系统cms，前台别人做 部分界面展示： 来源：https://github.com/rootphantomer/bishe

快速记（个人记账安卓app） 特色功能是：语音记账，地点记账，照片/图片记账 毕设题目为《基于Android平台的个人理财软件的设计与实现》 项目目录： -MoneyCharge (主目录) --com.cwp.chart (饼图统计库) --com.cwp.cmoneycharge (主界面逻辑) --com.cwp.pattern (手势密码库) --com.example.testpic (图片记账库) --com.slidingmenu.lib (侧滑栏库) --com.slidingmenu.lib.app (侧滑栏库) --com.umeng.fb.example (友盟，用户反馈库) --com.zhy.view (环形进度条库) --cwp.moneycharge.dao (业务类) --cwp.moneycharge.model (数据库类) 基于安卓的个人理财软件的设计与实现--项目心得 快速记更新日志 基于安卓的个人理财软件的设计与实现--动图预览 基于安卓的个人理财软件的设计与实现--动图预览2 图片预览： 来源：https://github.com/linmp4/quickmark

介绍 基于内容的图像检索系统（Content Based Image Retrieval, 以下简称 CBIR），是计算机视觉领域中关注大规模数字图像内容检索的研究分支。典型的 CBIR 系统，允许用户输入一张图像，在图像数据库（或本地机、或网络）中查找具有相同或相似内容的其它图片。 本实训的基本功能要求是实现基于视觉特征的图像检索。具体包括： （1）实现基于颜色信息的图像 检索，可通过颜色直方图、颜色矩、颜色一致性矢量等方法来实现。 （2）实现基于纹理特征 的图像检索，可从四个方面进行：统计法、结构法、模型法、频谱法。 （3）实现基于形状特 征的图像检索，可分别从图像的边缘信息和区域信息来实现。 （4）实现基于综合信息的图像检索 功能 能够利用颜色特征实时从图像库中检索出和输入图像相同或相似的图像，并显示在系统中。 能够利用纹理特征实时从图像库中检索出和输入图像相同或相似的图像，显示在系统中。 能够利用形状特征实时从图像库中检索出和输入图像相同或相似的图像，并显示在系统中。 使用 运行Service/gui.py 详细介绍 见下载文件note 来源https://github.com/justtreee/Simple-Search-by-Image

进销存管理系统 2019/03/15 - 2019/04/11 毕业设计项目 环境配置 JDK 1.8 Tomcat 9.0 MySQL 5.1 Maven 3.5.4 系统架构 Spring+SpringMVC+Mybatis 开发环境介绍 系统环境：Windows 10 JDK版本：JDK 1.8 服务器：Tomcat 9.0 数据库：MySQL 5.7 管理工具：Maven3.5.4 开发工具：Eclipse / IDEA 前台技术：BootStrap+JavaScript+jQUery+Ajax+CSS+HTML 使用工具：LogBack日志+MD5账户加密+DES数据库加密+Echarts数据统计 测试工具: Junit底层测试+PostMan请求测试 设计思想：MVC设计模式+前后端分离开发 功能图 流程图 本地部署 在mysql中新建数据库sdims，将sdims.sql导入该数据库 打开sdims.war, 打开sdims.war\WEB-INF\classes\jdbc.properties配置文件，修改数据库用户名和密码为自己本地数据库的用户名和密码「注：用util包里边DES加密工具跑出来加密后的账户密码进行替换」 将sdims.war包放入tomcat/webapps目录下 启动tomcat服务器 打开浏览器，输入 localhost:8080/sdims 进入登录界面 输入用户名admin和密码111111访问系统 使用须知 © 项目来源： https://github.com/Lotharing/SDIMS 作者：QQ 809676295 「系统疑难解答」 公众号

推荐系统是目前互联网中最常见的一种智能产品形式。由于网络中信息量的快速增长以及图书出版行业出版量的攀升，人们需要一种办法，来解决信息过载的问题。 此外，用户访问网络是为了获取信息，但并不是所有的访问都有很强的目的性，所以对于这些没有明确的目的的访问，就需要智能系统把一些用户可能感兴趣的信息推送给用户。基于这些需求，图书网站的推荐功能就变得非常重要。 主要内容 首先对图书推荐系统的发展历史做了介绍，然后对开发图书推荐系统所需的项目管理工具（Maven、Git）、数据持久化工具（MyBatis，Spring MVC框架）和Bootstrap前端开发框架进行了简单分析，在此基础上，设计并开发了一套基于Web的图书推荐系统展示平台，主要工作可概括为四个方面。 对图书推荐系统的结构进行了重新设计。主要是在Spring MVC框架的基础上，将系统分为了三层：Web层、服务与模块层、数据层，并对每层的结构与需要完成的功能做了定义。 基于MySQL数据库管理系统，设计并建立了图书推荐系统所需的数据库，该数据库的数据共分为三个部分：原始数据、清洗后数据和用户数据。 从便于操作和使用的角度出发，设计了图书推荐系统的页面，主要包括首页、搜索、展示、登录、注册等页面。 对整个开发过程以及系统组成的三个主要类：控制器类、模块类与视图类进行了分析。 经过后期的数据库优化与功能测试，系统与同类网站相比，性能良好。 数据清洗程序流程图 界面展示

功能 通过STM32与传感器与控制器联动，进行控制，并将数据传输到树莓派中的数据库存起来，并且对外提供一个WEB服务器和API，可以通过浏览器和客户端进行控制访问和联动 后台服务器/数据库 URL定向 数据库设计 用于APP的登录认证 用于Web的登录认证 配置文件的读写保存 历史记录功能 定时 Web 用户 管理与配置 用户管理 历史记录查看 定时 Android UI界面 登录验证保存 配置与控制 定时 用户管理 报警通知 嵌入式 STM32的传感器信息读取 STM32的外设控制 树莓派与STM32的交互 域名 内网穿透 功能 远程监视控制大棚情况 异常报警与异常阈值调节 定时任务 历史记录 报警提醒 多用户管理 进度展示 界面展示 来源：https://github.com/CreeperSan/Graduation-Project

准确率 计算准确率的方法： 某个数据集上的准确率 = 该数据集中所有标注正确的多音字数 / 数据集中含有的多音字总数 之前的准确率计算有些问题，将<unk>和<pad>也算作多音字了，改正之后准确率变为85% - 88%。 我们试着增加了LSTM的层数，发现在当前情况下，随着层数增加，准确率有所降低。 调研阶段 查了一些国内外的论文，总结了一下其中用到的方法，以下是对这个问题的一些认识。 多音字个数是有限的，要根据其在不同情况下的读音来建立规则，以后再遇到新词时就去匹配这些规则，无法匹配时就更新规则。应该是通过机器学习实现的。 对这个问题的研究经历了几个过程 早期是对多音字统计不同读音下的使用频率，以频率最高的读音来标注新词。准确率低 统计法。通过构建词库，建立规则来进行注音，是以词语为单位，准确率有所提升，但仍无法解决多音字前后的字一样但读音不同的情况。 规则法。语言学家建立规则，再输入到计算机，但无法指定一个很完备的规则集 论文中的解决方案 数据统计 用到的数据见Code里的data目录。 pinyindata.txt ：汉字拼音库，使用《现代汉语词典》中的拼音数据，汉字数：11017，多音字个数：1217，来自pinyin-data polyphones.txt：将汉字拼音库中的多音字全部提取出来，存入该文件中 统计了一下多音字的读音个数。 读音个数 多音字个数 polyphones.json：将所有多音字和读音存储成json文件 198801.txt：人民日报1988年一月的新闻语料，一共有19374条新闻，包含5593个多音字，其中有85种不同的多音字，来自pkuopendata 198801output.txt：存储每个多音字出现的次数，按出现频次从多到少排序 news.txt：将所有包含多音字的新闻全部提取出来，存入该文件 phrase.txt：带注音的中文短语，一共有96809条，来自ChineseTone poly_phrase.txt：将所有含多音字的短语输出到该文件中，共有47289条含多音字的短语。每条短语前面的数字是多音字在短语中的位置（从0开始计算）。 对该文件中的所有句子按多音字出现次数的多少排序，并对每个句子中多音字的个数进行了统计。结果如下。 句子中包含的多音字个数 句子数量 phrase_frequency.txt ：输出包含多音字的短语中所有多音字出现的次数，按出现次数从多到少排序。 phrase.csv：将短语和读音转换成特定格式(text, label)，text为句子，label为读音，非多音字编码为'NA'，多音字编码为其读音。 correct.csv：标注正确的语句(只包含一句话中所有多音字均标注正确的句子) wrong.csv：标注错误的语句(一句话中只要有一个多音字标注错误，就输出到该文件中) 语料处理 主要是将语料划分为训练集、验证集与测试集，并将句子和读音做tokenize，建立词典，设定batchsize与生成迭代器，使数据能送入模型进行训练。 在进行处理时使用了torchtext库，能方便的对文本进行处理，并且支持csv、tsv等格式的读取。 最终生成的数据集： train.csv：训练集，有29928条短语，包含30041个多音字。 valid.csv：验证集，有8723条短语，包含12696个多音字。 test.csv：有8638条短语，包含19198个多音字。 模型搭建 目前想到用两种方法搭建模型。 两种方法模型大体一致，但在将lstm的输出喂进全连接层时的输入不一样。 说明：代码中的各种参数并不是最优的参数，只是一个示例。 按照多音字的读音的分类方法 这种方法将训练数据按照其中某个多音字的读音进行分类，如训练数据中含有多音字“都”的句子将分为以下两类： 句子中“都”的读音为dū的数据 句子中“都”的读音为dōu的数据 此方法最大的弊端就是需要对每个多音字单独训练一个模型并测试，另外当一句话中含有两个及以上的多音字时，该方法并不能完成所有多音字的注音。 仿照词性标注问题的分类方法 代码：code/PolyphoneDisambiguation/disambiguation_pos.py 这种方法仿照了词性标注的处理思路，将训练数据编码为如下格式： ('在古都西安', '都', ['NA', 'NA', 'dū', 'NA', 'NA']) 其中“NA”代表非多音字，多音字则使用读音来编码。 目前主要使用该方法进行注音，已将短语数据送入模型并进行训练，然后使用测试集计算准确率，将标注正确的语句和标注错误的语句输出到相应文件中。 来源：https://github.com/hjzin/PolyphoneDisambiguation