实用机器学习
作者:Sunila Gollapudi
出版社:机械工业出版社
ISBN:9787111598886
VIP会员免费
(仅需0.8元/天)
¥ 40.0
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
数据挖掘:实用机器学习工具与技术(原书第3版).[新西兰]Ian H.Witten(带详细书签).pdf 评分:
本书是机器学习和数据挖掘领域的经典畅销教材,被众多国外名校选为教材。书中不仅详细介绍机器学习的基本理论,还对实际工作中应用的相关工具和技术提了一些建议。本版对上一版内容进行了全面更新,以反映自第2版出版以来数据挖掘领域的技术变革和新方法,包括数据转换、集成学习、大规模数据集、多示例学习方面的新材料,以及新版的Weka机器学习软件。 第一部分 数据挖掘简介 1 第1章 绪论 2 1.1 数据挖掘和机器学习 2 1.1.1 描述结构模式 3 1.1.2 机器学习 5 1.1.3 数据挖掘 6 1.2 简单的例子:天气问题和其他问题 6 1.2.1 天气问题 7 1.2.2 隐形眼镜:一个理想化的问题 8 1.2.3 鸢尾花:一个经典的数值型数据集 10 1.2.4 CPU性能:介绍数值预测 11 1.2.5 劳资协商:一个更真实的例子 11 1.2.6 大豆分类:一个经典的机器学习的成功例子 13 1.3 应用领域 14 1.3.1 Web挖掘 15 1.3.2 包含评判的决策 15 1.3.3 图像筛选 16 1.3.4 负载预测 17 1.3.5 诊断 17 1.3.6 市场和销售 18 1.3.7 其他应用 19 1.4 机器学习和统计学 20 1.5 将泛化看做搜索 21 1.5.1 枚举概念空间 22 1.5.2 偏差 22 1.6 数据挖掘和道德 24 1.6.1 再识别 25 1.6.2 使用个人信息 25 1.6.3 其他问题 26 1.7 补充读物 27 第2章 输入:概念、实例和属性 29 2.1 概念 29 2.2 样本 31 2.2.1 关系 32 2.2.2 其他实例类型 34 2.3 属性 35 2.4 输入准备 37 2.4.1 数据收集 37 2.4.2 ARFF格式 38 2.4.3 稀疏数据 40 2.4.4 属性类型 40 2.4.5 缺失值 41 2.4.6 不正确的值 42 2.4.7 了解数据 43 2.5 补充读物 43 第3章 输出:知识表达 44 3.1 表 44 3.2 线性模型 44 3.3 树 45 3.4 规则 48 3.4.1 分类规则 49 3.4.2 关联规则 52 3.4.3 包含例外的规则 52 3.4.4 表达能力更强的规则 54 3.5 基于实例的表达 56 3.6 聚类 58 3.7 补充读物 60 第4章 算法:基本方法 61 4.1 推断基本规则 61 4.1.1 缺失值和数值属性 62 4.1.2 讨论 64 4.2 统计建模 64 4.2.1 缺失值和数值属性 67 4.2.2 用于文档分类的朴素贝叶斯 68 4.2.3 讨论 70 4.3 分治法:建立决策树 70 4.3.1 计算信息量 73 4.3.2 高度分支属性 74 4.3.3 讨论 75 4.4 覆盖算法:建立规则 76 4.4.1 规则与树 77 4.4.2 一个简单的覆盖算法 77 4.4.3 规则与决策列表 80 4.5 挖掘关联规则 81 4.5.1 项集 81 4.5.2 关联规则 83 4.5.3 有效地生成规则 85 4.5.4 讨论 87 4.6 线性模型 87 4.6.1 数值预测:线性回归 87 4.6.2 线性分类:Logistic回归 88 4.6.3 使用感知机的线性分类 90 4.6.4 使用Winnow的线性分类 91 4.7 基于实例的学习 92 4.7.1 距离函数 93 4.7.2 有效寻找最近邻 93 4.7.3 讨论 97 4.8 聚类 97 4.8.1 基于距离的迭代聚类 98 4.8.2 快速距离计算 99 4.8.3 讨论 100 4.9 多实例学习 100 4.9.1 聚集输入 100 4.9.2 聚集输出 100 4.9.3 讨论 101 4.10 补充读物 101 4.11 Weka实现 103 第5章 可信度:评估学习结果 104 5.1 训练和测试 104 5.2 预测性能 106 5.3 交叉验证 108 5.4 其他评估方法 109 5.4.1 留一交叉验证 109 5.4.2 自助法 109 5.5 数据挖掘方法比较 110 5.6 预测概率 113 5.6.1 二次损失函数 114 5.6.2 信息损失函数 115 5.6.3 讨论 115 5.7 计算成本 116 5.7.1 成本敏感分类 117 5.7.2 成本敏感学习 118 5.7.3 提升图 119 5.7.4 ROC曲线 122 5.7.5 召回率-精确率曲线 124 5.7.6 讨论 124 5.7.7 成本曲线 125 5.8 评估数值预测 127 5.9 最小描述长度原理 129 5.10 在聚类方法中应用MDL原理 131 5.11 补充读物 132 第二部分 高级数据挖掘 133 第6章 实现:真正的机器学习方案 134 6.1 决策树 135 6.1.1 数值属性 135 6.1.2 缺失值 136 6.1.3 剪枝 137 6.1.4 估计误差率 138 6.1.5 决策树归纳的复杂度 140 6.1.6 从决策树到规则 140 6.1.7 C4.5:选择和选项 141 6.1.8 成本-复杂度剪枝 141 6.1.9 讨论 142 6.2 分类规则 142 6.2.1 选择测试的标准 143 6.2.2 缺失值和数值属性 143 6.2.3 生成好的规则 144 6.2.4 使用全局优化 146 6.2.5 从局部决策树中获得规则 146 6.2.6 包含例外的规则 149 6.2.7 讨论 151 6.3 关联规则 152 6.3.1 建立频繁模式树 152 6.3.2 寻找大项集 157 6.3.3 讨论 157 6.4 扩展线性模型 158 6.4.1 最大间隔超平面 159 6.4.2 非线性类边界 160 6.4.3 支持向量回归 161 6.4.4 核岭回归 163 6.4.5 核感知机 164 6.4.6 多层感知机 165 6.4.7 径向基函数网络 171 6.4.8 随机梯度下降 172 6.4.9 讨论 173 6.5 基于实例的学习 174 6.5.1 减少样本集的数量 174 6.5.2 对噪声样本集剪枝 174 6.5.3 属性加权 175 6.5.4 泛化样本集 176 6.5.5 用于泛化样本集的距离函数 176 6.5.6 泛化的距离函数 177 6.5.7 讨论 178 6.6 局部线性模型用于数值预测 178 6.6.1 模型树 179 6.6.2 构建树 179 6.6.3 对树剪枝 180 6.6.4 名目属性 180 6.6.5 缺失值 181 6.6.6 模型树归纳的伪代码 181 6.6.7 从模型树到规则 184 6.6.8 局部加权线性回归 184 6.6.9 讨论 185 6.7 贝叶斯网络 186 6.7.1 预测 186 6.7.2 学习贝叶斯网络 189 6.7.3 算法细节 190 6.7.4 用于快速学习的数据结构 192 6.7.5 讨论 194 6.8 聚类 194 6.8.1 选择聚类的个数 195 6.8.2 层次聚类 195 6.8.3 层次聚类的例子 196 6.8.4 增量聚类 199 6.8.5 分类效用 203 6.8.6 基于概率的聚类 204 6.8.7 EM算法 205 6.8.8 扩展混合模型 206 6.8.9 贝叶斯聚类 207 6.8.10 讨论 209 6.9 半监督学习 210 6.9.1 用于分类的聚类 210 6.9.2 协同训练 212 6.9.3 EM和协同训练 212 6.9.4 讨论 213 6.10 多实例学习 213 6.10.1 转换为单实例学习 213 6.10.2 升级学习算法 215 6.10.3 专用多实例方法 215 6.10.4 讨论 216 6.11 Weka实现 216 第7章 数据转换 218 7.1 属性选择 219 7.1.1 独立于方案的选择 220 7.1.2 搜索属性空间 222 7.1.3 具体方案相关的选择 223 7.2 离散化数值属性 225 7.2.1 无监督离散化 226 7.2.2 基于熵的离散化 226 7.2.3 其他离散化方法 229 7.2.4 基于熵的离散化与基于误差的离散化 229 7.2.5 离散属性转换成数值属性 230 7.3 投影 230 7.3.1 主成分分析 231 7.3.2 随机投影 233 7.3.3 偏最小二乘回归 233 7.3.4 从文本到属性向量 235 7.3.5 时间序列 236 7.4 抽样 236 7.5 数据清洗 237 7.5.1 改进决策树 237 7.5.2 稳健回归 238 7.5.3 检测异常 239 7.5.4 一分类学习 239 7.6 多分类问题转换成二分类问题 242 7.6.1 简单方法 242 7.6.2 误差校正输出编码 243 7.6.3 集成嵌套二分法 244 7.7 校准类概率 246 7.8 补充读物 247 7.9 Weka实现 249 第8章 集成学习 250 8.1 组合多种模型 250 8.2 装袋 251 8.2.1 偏差-方差分解 251 8.2.2 考虑成本的装袋 253 8.3 随机化 253 8.3.1 随机化与装袋 254 8.3.2 旋转森林 254 8.4 提升 255 8.4.1 AdaBoost算法 255 8.4.2 提升算法的威力 257 8.5 累加回归 258 8.5.1 数值预测 258 8.5.2 累加Logistic回归 259 8.6 可解释的集成器 260 8.6.1 选择树 260 8.6.2 Logistic模型树 262 8.7 堆栈 262 8.8 补充读物 264 8.9 Weka实现 265 第9章 继续:扩展和应用 266 9.1 应用数据挖掘 266 9.2 从大型的数据集里学习 268 9.3 数据流学习 270 9.4 融合领域知识 272 9.5 文本挖掘 273 9.6 Web挖掘 276 9.7 对抗情形 278 9.8 无处不在的数据挖掘 280 9.9 补充读物 281 第三部分 Weka数据挖掘平台 283 第10章 Weka简介 284 10.1 Weka中包含了什么 284 10.2 如何使用Weka 285 10.3 Weka的其他应用 286 10.4 如何得到Weka 286 第11章 Explorer界面 287 11.1 开始 287 11.1.1 准备数据 287 11.1.2 将数据载入Explorer 288 11.1.3 建立决策树 289 11.1.4 查看结果 290 11.1.5 重做一遍 292 11.1.6 运用模型 292 11.1.7 运行错误的处理 294 11.2 探索Explorer 294 11.2.1 载入及过滤文件 294 11.2.2 训练和测试学习方案 299 11.2.3 自己动手:用户分类器 301 11.2.4 使用元学习器 304 11.2.5 聚类和关联规则 305 11.2.6 属性选择 306 11.2.7 可视化 306 11.3 过滤算法 307 11.3.1 无监督属性过滤器 307 11.3.2 无监督实例过滤器 312 11.3.3 有监督过滤器 314 11.4 学习算法 316 11.4.1 贝叶斯分类器 317 11.4.2 树 320 11.4.3 规则 322 11.4.4 函数 325 11.4.5 神经网络 331 11.4.6 懒惰分类器 334 11.4.7 多实例分类器 335 11.4.8 杂项分类器 336 11.5 元学习算法 336 11.5.1 装袋和随机化 337 11.5.2 提升 338 11.5.3 组合分类器 338 11.5.4 成本敏感学习 339 11.5.5 优化性能 339 11.5.6 针对不同任务重新调整分类器 340 11.6 聚类算法 340 11.7 关联规则学习器 345 11.8 属性选择 346 11.8.1 属性子集评估器 347 11.8.2 单一属性评估器 347 11.8.3 搜索方法 348 第12章 Knowledge Flow界面 351 12.1 开始 351 12.2 Knowledge Flow组件 353 12.3 配置及连接组件 354 12.4 增量学习 356 第13章 Experimenter界面 358 13.1 开始 358 13.1.1 运行一个实验 358 13.1.2 分析结果 359 13.2 简单设置 362 13.3 高级设置 363 13.4 分析面板 365 13.5 将运行负荷分布到多个机器上 366 第14章 命令行界面 368 14.1 开始 368 14.2 Weka的结构 368 14.2.1 类、实例和包 368 14.2.2 weka.core包 370 14.2.3 weka.classifiers包 371 14.2.4 其他包 372 14.2.5 Javadoc索引 373 14.3 命令行选项 373 14.3.1 通用选项 374 14.3.2 与具体方案相关的选项 375 第15章 嵌入式机器学习 376 15.1 一个简单的数据挖掘应用 376 15.1.1 MessageClassifier() 380 15.1.2 updateData() 380 15.1.3 classifyMessage() 381 第16章 编写新的学习方案 382 16.1 一个分类器范例 382 16.1.1 buildClassifier() 389 16.1.2 makeTree() 389 16.1.3 computeInfoGain() 390 16.1.4 classifyInstance() 390 16.1.5 toSource() 391 16.1.6 main() 394 16.2 与实现分类器有关的惯例 395 第17章 Weka Explorer的辅导练习 397 17.1 Explorer界面简介 397 17.1.1 导入数据集 397 17.1.2 数据集编辑器 397 17.1.3 应用过滤器 398 17.1.4 可视化面板 399 17.1.5 分类器面板 399 17.2 最近邻学习和决策树 402 17.2.1 玻璃数据集 402 17.2.2 属性选择 403 17.2.3 类噪声以及最近邻学习 403 17.2.4 改变训练数据的数量 404 17.2.5 交互式建立决策树 405 17.3 分类边界 406 17.3.1 可视化1R 406 17.3.2 可视化最近邻学习 407 17.3.3 可视化朴素贝叶斯 407 17.3.4 可视化决策树和规则集 407 17.3.5 弄乱数据 408 17.4 预处理以及参数调整 408 17.4.1 离散化 408 17.4.2 离散化的更多方面 408 17.4.3 自动属性选择 409 17.4.4 自动属性选择的更多方面 410 17.4.5 自动参数调整 410 17.5 文档分类 411 17.5.1 包含字符串属性的数据 411 17.5.2 实际文档文类 412 17.5.3 探索StringToWordVector过滤器 413 17.6 挖掘关联规则 413 17.6.1 关联规则挖掘 413 17.6.2 挖掘一个真实的数据集 415 17.6.3 购物篮分析 415 参考文献 416 索引 431
上传时间:2019-03 大小:158.26MB
- 6.96MB
Data Mining: Practical Machine Learning Tools and Techniques
2013-06-08这是《数据挖掘:实用机器学习技术》的第3版英文版,至于与第二版的变化可以去weka网站上看看,都有的!
- 10.87MB
Witten, Moffat, Bell. Managing gigabytes. compressing and indexing documents and images (2ed)
2009-07-09本书是斯坦福大学信息检索和挖掘课程的首选教材之一,并已成为全球主要大学信息检索的主要教材。本书理论和实践并重,深入浅出地给出了海量信息数据处理的整套解决方案,包括压缩、索引和查询的方方面面。其最大的...
- 66.32MB
颜色分类leetcode-DS-ML-Books:数据科学、机器学习、数据挖掘和统计学习书籍
2021-07-06该存储库包括有关数据科学、机器学习和统计方法的书籍。 这些书是: 统计学习的要素 (ESL) 作者:Trevor Hastie、Robert Tibshirani 和 Jerome Friedman 本书在一个共同的概念框架中描述了这些领域的重要思想。 虽然...
- 16.75MB
KDD:2021年夏季在弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校举行的数据库知识发现讲座的讲义
2021-03-17数据库中的知识发现(KDD) 本讲座涵盖... 实用的机器学习工具和技术。 第三版。 马萨诸塞州伯灵顿:Morgan Kaufmann,2011年(数据管理系统中的Morgan Kaufmann系列)。 杜洪波:数据挖掘技术和应用。 英国安多佛:C
- 6.97MB
Lectures on Seiberg-Witten invariants
2009-02-19This book gives a streamlined introduction to the theory of Seiberg-Witten invariants suitable for second-year graduate students. These invariants can be used to prove that there are many compact ...
- 56.12MB
STAT-724:数据科学和机器学习简介
2021-02-26数据科学与机器学习简介 描述: 该课程从统计学的角度概述了数据科学及其核心机器学习模型和算法。 它提供了有关这些方法如何工作以及如何将统计模型应用于分析大型数据集的详细知识。 重点是分类和回归(所谓的...
- 2.78MB
Complexity in Chemistry
2009-05-26Witten 1. Reality,Systems,andModels .................. 237 1.1. Introduction ....................... 237 1.2. The “what” ofmodelingandsimulation ........ 238 1.3. Back tomodels .......................
- 676KB
Seiberg-Witten单极子的椭球分配函数
2020-03-29我们研究放置在紧凑欧几里德流形上的N = 2 ... 我们在四球面上详细分析了生成的局部化方程,发现在这种情况下,路径积分主要由漩涡状构型以及位于南极和南极的奇异Seiberg-Witten单极子所控制。 相应地写入了分区函数。
- 300KB
量子Seiberg-Witten曲线和Argyres-Douglas理论的普遍性
2020-04-10通过采用N = 2标尺理论与量规组G的量子SW曲线的标度极限,我们研究(A1,G)型Argyres-Douglas(AD)理论的量子Seiberg-Witten(SW)曲线。 Ar,AD理论的量子SW曲线与轨距理论的曲线的缩放极限一致。 对于G = Dr,...
- 5.53MB
ISLR-python:统计学习入门(James,Witten,Hastie,Tibshirani,2013年):Python代码
2021-02-03ISLR-python:统计学习入门(James,Witten,Hastie,Tibshirani,2013年):Python代码
- 194KB
在Eclipse中配置WEKA
2009-06-25为了和书一致 (Ian H. Witten and Eibe Frank (2005) "Data Mining: Practical machine learning tools and techniques", 2nd Edition, Morgan Kaufmann, San Francisco, 2005. 国内有翻译的版 本) ,请下载book ...
- 981KB
Witten–Sakai–Sugimoto模型中具有D0–D4背景的全息三味重晶
2020-04-24通过在D0–D4背景下构建Witten–Sakai–Sugimoto模型,我们在三种口味的情况下系统地研究了全息重子光谱。 该模型的背景几何在全息上与$$ U \ left(N_ {c} \ right)$$ UNc Yang-Mills理论成对偶,且具有较大的$$ N...
- 40.0MB
Managing gigabytes: compressing and indexing documents and images
2014-07-26Managing gigabytes:compressing and indexing documents and images英文扫描版,共2部分。作者是Ian H. Witten/Alistair Moffat/Timothy C. Bell,应该是全面介绍信息检索最好的书了。
- 516KB
关于Mathieu月光和Gromov-Witten不变量
2020-03-23我们提供了进一步的证据,证明CY 3流形在Mathieu月光中以一种复杂的方式参与其中,即它们的Gromov-Witten不变量与K3的孪生/扭曲孪生椭圆族的膨胀系数有关。 我们使用在K3×T 2上的杂散弦论的CHL双峰与在CY 3流形上的...
- 7.76MB
Data Mining - Practical Machine Learning Tools and Techniques
2010-03-06This book introduces practical machine learning tools and techniques in data mining. A very good book for learners in this area. Its authors are Ian H. Witten and Eibe Frank.
- 9.19MB
Managing Gigabytes: Compressing and Indexing Documents and Images
2012-02-16In this fully updated second edition of the highly acclaimed Managing Gigabytes, authors Witten, Moffat, and Bell continue to provide unparalleled coverage of state-of-the-art techniques for ...
- 701KB
双椭圆Seiberg-Witten势的新非线性方程式和模形式展开
2020-04-10可积N粒子系统具有重要的性质,即相关的Seiberg-Witten势能满足WDVV方程。 但是,这不适用于最有趣的椭圆和双椭圆系统。 通过研究相关谱曲线族上θ函数的可交换性猜想,我们推导了摄动的Seiberg-Witten势的其他非...
- 1.95MB
ChatGPT教程(终极版)最全整理
2023-05-16这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门,你看我这篇文章就够了。 如果你已经用上了ChatGPT,更要恭喜你挖到宝藏,后面的高级技巧一定能让你有收获。 文章包含以下内容: 一、ChatGPT是啥?有什么用; 二、ChatGPT如何注册; 三、ChatGPT使用方法; 四、用ChatGPT搞钱; 五、高级技巧;
- 58KB
博客中Kmeans以及FCM算法数据(免积分)
2023-05-16博客中Kmeans以及FCM算法的数据,包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集,下载在直接存入项目文件夹即可,如果下载不了,可以私信我,看到后会及时回复。
- 28.70MB
EDA探索式数据分析案例数据集
2024-02-25EDA探索式数据分析案例数据集
- 1.25MB
hugging face的models-openai-clip-vit-large-patch14文件夹
2023-10-25用于无法访问hugging face并需要运行stable-diffusion-webui时使用
- 10KB
神经网络回归预测--气温数据集
2021-11-26神经网络回归预测--气温数据集
- 1.87MB
XGBoost+LightGBM+LSTM-光伏发电量预测
2022-12-24包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上,论证了辐照度、光伏板工作温度等影响光伏输出功率的因素,通过实时监测的光伏板运行状态参数和气象参数建立预测模型,预估光伏电站瞬时发电量,根据光伏电站DCS系统提供的实际发电量数据进行对比分析,验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献
- 321KB
Stable-Diffusion WEBUI 简体中文语言包(2023.05.30更新)
2023-05-30AI绘图,Stable-Diffusion WEBUI,本地化(简体中文)语言文件。 原始文件来自翻译插件,根据自己实际使用情况,增加和修改了一些翻译。 配合【双语插件】看上去要自然一点,内容还在继续完善中。 本次增加了一些翻译内容,特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文,所以别直接选它用。 请配合【Bilingual Localization】插件使用,双语同时显示,效果最好。
- 2.20MB
Mathwork+Matlab+编程手册
2023-08-25Introduction to Programming with MATLAB ~ Vanderbilt University
- 290KB
Sora专辑-OpenAI 的 Sora 技术报告详解
2024-02-19Sora 详细的技术报告发布了,相关从业者可能都需要看看。里面有 Open AI的训练思路以及 Sora 详细的技术特性,我从里面找了一些要点,详细的可以去看完整内容。 简单来说 Sora 的训练量足够大也产生了类似涌现的能力。 这篇论文提供了对 Sora 模型的深入分析,展示了其在视频生成领域的潜力和挑战。通过这种方式,OpenAI 正在探索如何利用 AI 来更好地理解和模拟我们周围的世界。
- 1.3MB
亚博K210模型训练部署
2023-07-11亚博K210模型训练部署
- 1.29MB
基于鲸鱼优化算法优化VMD参数试看效果代码(目标函数为样本熵)
2022-10-301.采用鲸鱼算法优化VMD分解层数和惩罚系数的MATLAB代码,目标函数根据样本熵计算。直接运行,可以换数据。 2.核心算法加密,有需要请在CSDN联系作者。
- 174.14MB
Plecs电力电子仿真PLECS41.64 电力系统仿真软件免安装版本
2023-02-02超级容易学习的电力电子仿真软件。 PLECS是一个用于电路和控制结合的多功能仿真软件,尤其适用于电力电子和传动系统。 对于仿真Buck电路,Boost电路,单相整流电路,单相逆变电路,三相整流电路,三相逆变电路,LLC电路等都能够完美实现。并且能够直接使用C语言进行编程仿真,让代码直接写完以后完整运行到控制板中。 Plecs主要解决了Matlab Simulink仿真速度很慢,学习过程复杂和困难等问题。 Plexim在电力电子仿真领域处于世界领先地位。首要软件产品PLECS可以协助用户加快产品开发和创新流程。其优势来源于先进的编程技术,以及融合了非常规建模概念的仿真算法。通过认真听取工程师的需求和建议,我们能够为客户的今天和未来提供满意的解决方案。 从2002年开始,PLECS已经在众多工业领域成为电力电子仿真的标准。典型应用涵盖新能源,车辆电子,航空航天,工业及牵引驱动等。