高压变频的Matlab仿真模型，可以用的

高压变频的Matlab仿真模型，可以用的

Shunt-AF软件自带程序

Shunt-AF软件自带程序

PSCAD软件自带仿真模型Series-AF

PSCAD软件自带仿真模型Series-AF

桥梁之间的分层多任务无监督域适应用于路过损伤诊断

垂直布局通过驾驶车辆的振动响应来监测桥梁，通过允许每辆车检查多座桥梁，并消除在每座桥上安装和维护传感器的需要，实现了高效和低成本的桥梁维护。然而，许多现有的飞车监控方法都是基于监督式学习模型的，这些模型需要来自每个桥梁的大量标记数据。如果不是不可能的话，获得这些标记的数据是昂贵和费时的。此外，直接将在一座桥上训练的监督式学习模型应用到新的桥上，由于不同桥之间的数据分布会发生变化，所以精度较低。此外，当我们有多个任务(例如，损伤检测、定位和量化)时，分布变化比只有一个任务更具挑战性，因为不同的任务有不同的分布变化和不同的任务难度。 为此，我们引入了 HierMUD，这是第一个层次化多任务无监督域自适应框架，它可以将从一个网桥学到的损伤诊断模型转移到一个新的网桥上，而不需要在任何任务中从新的网桥上贴上任何标签。具体来说，我们的框架以一种对抗的方式学习分层神经网络模型，以提取对于多个诊断任务具有信息性且跨多个桥梁不变的特征。为了匹配多任务的分布，我们设计了一个新的损失函数，该损失函数基于一个新的可证明的泛化风险约束，自适应地为具有更多移动分布的任务分配更高的权重。为了学习具有不同任务难度的多

欧几里德准备: IX. 欧几里德仿真器2-具有大量中微子和自洽暗能量扰动的功率谱仿真

我们提出了一个新的，更新版本的欧几里德模拟器(称为欧几里德模拟器2) ，一个快速和准确的预测器的非线性校正的物质功率谱。对于0.01 h Mpc-1≤ k ≤10 h Mpc-1的空间尺度，w0waCDM + Í mν 模型的红移 z = 0和 z = 3之间的八维参数空间支持百分比级精确模拟。为了达到这个水平的准确性，我们必须改进作为训练数据的基础的 N 体模拟的质量: (i)我们使用非暗物质物种的自洽线性进化，例如大量的中微子、光子、暗能量和度量场; (ii)我们在所谓的 N 体规范中执行模拟，它允许人们在广义相对论的框架中解释结果,(iii)基于配对和固定的初始条件，我们运行了超过250个高分辨率模拟，其中1个(h-1Gpc)3体积的盒子中有30003个颗粒，并且(iv)我们提供了可以应用于模拟结果的分辨率校正作为后处理步骤，以大大减少由于模拟中的残余分辨率效应而导致的小尺度上的系统性偏差。我们发现，包含动态暗能量参数显著增加了创建仿真器的复杂性和费用。欧几里德模拟器2的高保真度通过与 N 体模拟以及替代快速预测器(如 HALOFIT、 HMCode 和 CosmicEmu)的多

欧几里德准备: IX. 欧几里德仿真器2——利用大量中微子和自洽暗能量扰动进行功率谱仿真

垂直布局我们提出了一个新的，更新版本的欧几里德模拟器(称为欧几里德模拟器2) ，一个快速和准确的预测器的物质功率谱的非线性校正。百分比级精确仿真现在支持在红移 $z = 0 $和 $z = 3 $之间的 $w _ 0w _ a $CDM $+ sum m _ nu $模型的八维参数空间中，用于0.01 $h $/Mpc $leq k leq $10 $h $/Mpc 范围内的空间尺度。为了达到这个精度水平，我们必须改进作为训练数据的基础的 N 体模拟的质量: (1)我们使用非暗物质物种的自洽线性进化，例如大量的中微子、光子、暗能量和度量场; (2)我们在所谓的 N 体规范中执行模拟，它允许人们在广义相对论的框架中解释结果,(3)基于配对和固定的初始条件，我们运行了250个高分辨率模拟，其中1个(Gpc/$h $) ${} ^ 3 $体积的盒子中包含 $3000 ^ 3 $颗粒，并且(4)我们提供了可以应用于模拟结果的分辨率校正作为后处理步骤，以大大减少由于模拟中的残余分辨率效应而导致的小尺度上的系统偏差。我们发现包含动态暗能量参数 $w _ a $显著增加了创建仿真器的复杂性和开销。欧

热 Sunyaev Zeldovich 能谱的暗能量约束

我们利用热 Sunyaev-Zeldovich (tSZ)效应的功率谱来约束暗能量状态方程参数 w。我们改进了以前的分析，考虑了协方差矩阵中的三光谱和前景参数的边缘化，相关噪声，普朗克宇宙压力剖面中的质量偏差 b，以及所有相关的宇宙学参数(即，不仅仅是 Ωm 和 σ8)。我们发现，tSZ 功率谱的振幅在’。103主要取决于 F ≡ σ8(Ωm = B)0:40 h-0:21，其中 B 与更常用的变量 b 由 B = (1-b)-1相关联。我们用2.6% 的精度测量这个参数，F = 0:460 ± 0:012(68% CL)。将偏差固定在 B = 1:25，加上哈勃常数 H0的局部测定和普朗克宇宙微波背景辐射(CMB)数据约束的原始功率谱的振幅，得到 w = -1:10 ± 0:12，σ8 = 0:802 ± 0:037，Ωm = 0:265 ± 0:022(68% CL)。我们对 w 的限制与来自 CMB 和 H0的距离约束的限制是一致的，并且与距离约束的限制一样紧密。最后，结合 tSZ 功率谱和 CMB 数据，我们发现，在 Λ 冷暗物质(CDM)模型中，B = 1:71 ± 0:17

考虑 c-v2X 安全性的频谱和能源效率联合优化: 深度强化学习方法

作为5G 无线通信的一部分，蜂窝车辆到一切(C-V2X)通信一直被认为是智能城市最重要的技术之一。车辆排队是智能城市的一个应用，通过 C-V2X 提高交通容量和安全性。然而，与在高速公路上行驶的车辆排队不同，C-V2X 可以更容易地被窃听，并且当它们在交叉路口汇合时可能会受到频谱资源的限制。如何在满足 C-V2X 保密率的前提下，提高排队网络的频谱效率(SE)和能量效率(EE)是一个很大的挑战。为了解决这个问题，我们提出了一种基于深度强化学习的安全意识增强 SE 和 EE 的方法，即 SEED。SEED 建立了一个同时考虑 SE 和 EE 的目标优化函数，并将 C-V2X 的保密率作为该函数的一个临界约束条件。 该最佳化问题通过深 Q 网络(deep q network，DQN)转换为 V2V 和 V2I 链路的频谱和传输功率选择。通过基于奖励的 DQN 策略得到了 SE 和 EE 的启发式结果。最后，我们使用 Python 模拟交通和通信环境。评估结果表明，SEED 算法的效率比 DQN-wopa 算法和基线算法分别提高了31.83% 和68.40% 。

缩小多机器人协作深度强化学习中的模拟与实际差距

目前深度强化学习的研究方向包括缩小模拟与现实之间的差距，提高分布式多强化学习体验的样本效率，以及在分布式学习中针对对手代理的强大方法的开发，等等。在这项工作中，我们特别感兴趣的是分析多代理强化学习如何在分布式多机器人系统中架起沟通的桥梁，在这些系统中，不同机器人的操作不一定是同一的。 这些变化可能是由于传感不匹配、机械接头校准方面的固有误差或精度上的简单差异造成的。虽然我们的研究结果是基于模拟的，但是我们介绍了近似策略优化(PPO)在分布式强化学习中传感、校准和精度不匹配的影响。我们讨论了不同类型的扰动以及经历这些扰动的代理的数量如何影响合作学习的努力。在子弹物理发动机中使用库卡臂模型进行了仿真。据我们所知，这是第一个探索 PPO 在多机器人系统中的局限性的工作，当考虑到不同的机器人可能会暴露在不同的环境中，其传感器或执行器会引起误差。根据这项工作的结论，我们为未来设计和开发方法的工作设定了初始强化学习，以实现对多机器人系统中存在的可能不同的现实世界扰动的强大控制。

一种基于物理知识和视觉的细长体变形模态重建方法

研究了利用多摄像机测量来估计(插值和平滑)细长柔性体的形状(姿态和六种变形模式)的问题。这个问题在生物学和工程学中都很重要，因为细长、柔软和弹性的结构在物种之间无处不在，特别是在软机器人领域。提出的形状估计的数学公式是物理知识的基础上，使用特殊的 Cosserat 杆理论，其方程编码在弯曲，剪切，扭曲和拉伸细长体力学的存在。利用该方法推导了纤维增强柔性机器人和缆索驱动柔性机器人手臂的数值算法，并进行了实验验证。实验结果表明，该方法具有较高的精度(误差 < 5mm，比臂直径小三倍) ，对噪声和不确定性具有较强的鲁棒性。