TAU

网上关于 PID 算法的文章很多，但是感觉有必要自己再进行一次总结，抽丝剥茧地重新认识了一下 PID ； 文章目录 1 前言 2 开环控制 3 闭环控制 4 PID 4.1 系统架构 4.2 理论基础 4.3 离散化 4.4 伪算法 5 C++实现 6 总结 1 前言 控制系统通常根据有没有反馈会分为开环系统和闭环系统，在闭环系统的控制中， PID 算法非常强大，其三个部分分别为； P ：积分环节； I ：比例环节； D ：微分环节； PID 算法可以自动对控制系统进行准确且迅速的校正，因此被广泛地应用于工业控制系统。 2 开环控制 首先来看开环控制系统，如下图所示，隆哥 蒙着眼 ，需要走到 虚线旗帜 所表示的目标位置，由于缺少反馈（眼睛可以感知当前距离和位置，由于眼睛被蒙上没有 反馈 ，所以这也是一个 开环系统 ），最终隆哥会较大概率偏离预期的目标，可能会运行到途中 实线旗帜 所表示的位置。 开环系统的整体结构如下所示； 这里做一个不是很恰当的比喻； Input ：告诉隆哥目标距离的直线位置（ 10米 ）； Controller ：隆哥大脑中计算出到达目标所需要 走多少步 ； Process ：双腿作为执行机构，输出了相应的步数，但是最终仍然偏离了目标； 看来没有反馈的存在，很难准确到达目标位置。 3 闭环控制 所以为了准确到达目标位置，这里就需要引入反馈，具体如下图所示；

《有限元编程：菜鸟篇》 一、前言 相信很多做过有限差分之后又想做做有限元的初学者会有和我一样的困惑，能看懂有限元算法的理论分析，但是真正应用到实际编程当中之前心里发怵，请教学过有限元程序的同学的时候，他们往往会，这个怎么怎么的简单，这个你怎么能不会？这个不就是什么什么吗bulabula...这时候你的心里一定和我一样有一万匹草泥马在心里奔腾，废话不多说，求人不如求己，这篇文章将会让你迅速掌握有限元最基础的编程思想。 二、以经典扩散方程为例(反常扩散方程可类比此例) 考虑如下扩散方程初边值问题 \begin{equation*}\label{eq1.1} \left \{ \begin{array}{ll} \frac{\partial u(x,t)}{\partial t}=\frac{\partial^2u(x,t)}{\partial x^2}+f(x,t), \quad & a< x< b,0< t\leq T, \\ u(a,t)=0,\quad u(b,t)=0,\quad & 0\leq t\leq T, \\ u(x,0)=\varphi (x),\quad & a\leq x \leq b, \\ \end{array} \right.\tag{1} \end{equation*} 首先我们需要对时间与空间区间进行剖分，其中$M,N$分别记为空间与时间方向的剖分，

文章转载，参考 https://blog.csdn.net/chehec2010/article/details/90204622 序号 大写 小写 英语音标注音 英文 汉语名称 常用指代意义 1 Α α /'ælfə/ alpha 阿尔法 角度、系数、角加速度、第一个、电离度、转化率 2 Β β /'bi:tə/ 或 /'beɪtə/ beta 贝塔 磁通系数、角度、系数 3 Γ γ /'gæmə/ gamma 伽玛 电导系数、角度、比热容比 4 Δ δ /'deltə/ delta 得尔塔 变化量、焓变、熵变、屈光度、一元二次方程中的判别式、化学位移 5 Ε ε /'epsɪlɒn/ epsilon 艾普西隆 对数之基数、介电常数、电容率 6 Ζ ζ /'zi:tə/ zeta 泽塔 系数、方位角、阻抗、相对黏度 7 Η η /'i:tə/ eta 伊塔 迟滞系数、机械效率 8 Θ θ /'θi:tə/ theta 西塔 温度、角度 9 Ι ι /aɪ'əʊtə/ iota 约(yāo)塔 微小、一点 10 Κ κ /'kæpə/ kappa 卡帕 介质常数、绝热指数 11 ∧ λ /'læmdə/ lambda 拉姆达 波长、体积、导热系数 普朗克常数 12 Μ μ /mju:/ mu 谬 磁导率、微、动摩擦系(因)数、流体动力黏度、货币单位,莫比乌斯函数 13 Ν ν

《有限元编程：菜鸟篇》 一、前言 相信很多做过有限差分之后又想做做有限元的初学者会有和我一样的困惑，能看懂有限元算法的理论分析，但是真正应用到实际编程当中之前心里发怵，请教学过有限元程序的同学的时候，他们往往会，这个怎么怎么的简单，这个你怎么能不会？这个不就是什么什么吗bulabula...这时候你的心里一定和我一样有一万匹草泥马在心里奔腾，废话不多说，求人不如求己，这篇文章将会让你迅速掌握有限元最基础的编程思想。 二、以经典扩散方程为例(反常扩散方程可类比此例) 考虑如下扩散方程初边值问题 \begin{equation*}\label{eq1.1} \left \{ \begin{array}{ll} \frac{\partial u(x,t)}{\partial t}=\frac{\partial^2u(x,t)}{\partial x^2}+f(x,t), \quad & a< x< b,0< t\leq T, \\ u(a,t)=0,\quad u(b,t)=0,\quad & 0\leq t\leq T, \\ u(x,0)=\varphi (x),\quad & a\leq x \leq b, \\ \end{array} \right.\tag{1} \end{equation*} 首先我们需要对时间与空间区间进行剖分，其中$M,N$分别记为空间与时间方向的剖分，

n级排列 由1，2，...，n组成的一个有序数组称为一个n级排列。 例如，2431是一个四级排列，45321是一个五级排列。 注：n级排列的总数是 n(n-1)(n-2)...1=n! 逆序 在一个排列中，如果一对数的前后位置与大小顺序相反，即前面的数大于后面的数，那么它们就称为一个逆序 逆序数 一个排列中逆序的总数就称为这个排列的逆序数 例如2431中，21、43、41、31是逆序，2431的逆序数就是4；而45321的逆序数是9 注：排列 j1,j2,....,jn的逆序数记为 τ(j1,j2,...,jn) 奇/偶排列 逆序数为奇数的排列称为奇排列。逆序数为偶数的排列称为偶排列 例如，2431是偶排列，45321是奇排列， 12.....n 的逆序数是零，因而是偶排列。 完整代码戳这里 在线演示1 、 在线演示2 来源： oschina 链接： https://my.oschina.net/codingDog/blog/4303285

跨时钟域处理--最终详尽版 目录 跨时钟域处理--最终详尽版 1. 异步时序定义 2. 亚稳态 3. 单比特同步策略 方法一：双锁存器 注意问题1 注意问题2 注意问题3 扩展* 4.多比特同步策略 控制信号多比特同步 同步变化的控制信号 控制信号多比特之间有一定时钟相位差 数据多比特同步 方法一：脉冲同步法（开环的结绳法） 方法二：闭环结绳法 方法三：异步双口RAM+格雷码（异步FIFO) 格雷码简介 异步FIFO 方法四：二深度FIFO同步器 方法五：DMUX同步器 为了彻底理解跨时钟域问题，多方搜集资料，做个简单整理备忘。主要参考了如下几个资源： https://zhuanlan.zhihu.com/p/45186793 跟IC君一起学习集成电路 https://www.cnblogs.com/PG13/p/10329678.html 新芯时代 格雷码 https://www.cnblogs.com/zhuruibi/p/8988044.html 主要参考来源：“ASIC 中的异步时序设计” 王夏泉 华中科技大学 主要参考来源: "Clock Domain Crossing (CDC) Design & Verification Techniques Using SystemVerilog" https://blog.csdn.net/lovingduo/article

本篇介绍使用搜狗拼音输入法输入希腊字母 工具/原料 搜狗拼音输入法 方法一：软键盘 右击输入法悬浮窗打开菜单-选择软键盘 这里有很多软键盘，其中第二个就是希腊字母软键盘，点击打开 第二次使用可以点击输入法悬浮窗上的软键盘快捷键来快速打开 缺点：使用这个方法要在20多个希腊字母里面寻找，比较考验眼力；输入时必须打开软键盘，输入完再关闭软键盘才能输入其他字符。 END 方法二：自定义短语 右键-设置属性 高级-自定义短语设置 直接编辑配置文件 将以下内容复制粘贴到配置文件最后 ; 希腊字母 alpha,4=α alpha,5=Α beta,4=β beta,5=Β gamma,4=γ gamma,5=Γ delta,4=δ delta,5=Δ epsilon,4=ε epsilon,5=Ε zeta,4=ζ zeta,5=Ζ eta,4=η eta,5=Η theta,4=θ theta,5=Θ iota,4=ι iota,5=Ι kappa,4=κ kappa,5=Κ lambda,4=λ lambda,5=Λ mu,4=μ mu,5=Μ nu,4=ν nu,5=Ν xi,4=ξ xi,5=Ξ omicron,4=ο omicron,5=Ο pi,4=π pi,5=Π rho,4=ρ rho,5=Ρ sigma,4=σ sigma,5=Σ tau,4=τ tau,5=Τ

　　　　在 循环神经网络(RNN)模型与前向反向传播算法 中，我们总结了对RNN模型做了总结。由于RNN也有梯度消失的问题，因此很难处理长序列的数据，大牛们对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失，因此在工业界得到了广泛的应用。下面我们就对LSTM模型做一个总结。 1. 从RNN到LSTM 　　　　在RNN模型里，我们讲到了RNN具有如下的结构，每个序列索引位置t都有一个隐藏状态$h^{(t)}$。 　　　　如果我们略去每层都有的$o^{(t)}, L^{(t)}, y^{(t)}$，则RNN的模型可以简化成如下图的形式： 　　　　图中可以很清晰看出在隐藏状态$h^{(t)}$由$x^{(t)}$和$h^{(t-1)}$得到。得到$h^{(t)}$后一方面用于当前层的模型损失计算，另一方面用于计算下一层的$h^{(t+1)}$。 　　　　由于RNN梯度消失的问题，大牛们对于序列索引位置t的隐藏结构做了改进，可以说通过一些技巧让隐藏结构复杂了起来，来避免梯度消失的问题，这样的特殊RNN就是我们的LSTM。由于LSTM有很多的变种，这里我们以最常见的LSTM为例讲述。LSTM的结构如下图： 　　　　可以看到LSTM的结构要比RNN的复杂的多，真佩服牛人们怎么想出来这样的结构

　　7 月 30 日，基因编辑头部公司 Sangamo（NASDAQ: SGMO）宣布与制药巨头诺华（NYSE: NVS）达成一项全球许可协议，诺华将会借助 Sangamo 的基因调控技术 ZFP-TF，开发三种神经发育障碍（包括自闭症谱系障碍 ASD）靶点的基因调控疗法并将其商业化。 这是 Sangamo 在神经疾病领域继与辉瑞、渤健、武田之后的又一个签约大单。 　　根据协议条款，诺华将向 Sangamo 支付 7500 万美元的预付款，另外诺华还将支付后者共计 7.2 亿美元的里程碑款项，同时 Sangamo 也有资格获得潜在商品销售额的特许权使用费。在宣布达成这项合作后，Sangamo 的股票一路上扬，收于高点。 　　 　　图 | Sangamo 股票走势（来自：Google） 　　Sangamo 是一家成立于 1995 年、总部位于加利福尼亚里士满的生物技术公司，其核心技术平台包括基因组编辑、基因调控、基因治疗和细胞治疗技术。 Sangamo 经过 20 多年的发展，已经成为了基因疗法领域的领导者。 　　“将 Sangamo 的专有技术与诺华在神经科学药物开发的丰富经验相结合，这真的是一次强强联合，不仅扩展了 Sangamo 的产品管线，而且使我们能够应对具有挑战性的神经发育障碍。我们合作的目标是为患有神经发育障碍（包括自闭症）的患者开发基因组疗法

目录 Decision Based Model of Diffusion Large Cascades Extending the Model Probabilistic Spreading Models Epidemic Models Rumor spread modeling using SEIZ 转自本人： https://blog.csdn.net/New2World/article/details/106265878 我们研究网络，不仅是为了提取网络结构的特征或对节点进行分类。更多的是为了研究网络上的传播过程，比如消息在社交网络中的传播，以及传染病在人群中的传播。而现实世界中的网络是不会显式地表现出传播过程的，而是通过时间先后的关系展示出传播性的。 Decision Based Model of Diffusion 现在有两种选择 A 和 B，一个人现在要决定要么选 A 要么选 B。如果你的朋友和你做出同样的选择那么能得到一定的奖励，否则没有奖励。就像分系统的手游，你用 IOS 你可以和你周围用 IOS 的朋友一起玩，开心；但这样就失去了 Android 的朋友。那么用数学来描述就是，选 A 能得到 a 的 payoff，B 能得到 b。然后你有 d 个朋友，他们之中选择 A 的占比例 p，那么 \[payoff = \begin{cases}a\cdot p\cdot