基于数据挖掘实现IMC-PID在线自整定

MATLAB中的PID控制器仿真是一个关键的研究领域，提供了相关的源代码和仿真图供下载使用。

本程序利用多种方法，实现了含延迟环节一阶系统的PID控制器参数计算，方法包括： Ziegler-Nichols 方法 Cohen-Coon 方法 IMC 方法

提出了一种基于在线信息服务平台的数据二次整合模型，并使用 VC 开发工具实现了二次挖掘的框架。

提供一个用于控制系统的模糊自校正PID Matlab程序。该程序性能稳定，是控制领域的常用策略，供大家参考使用。

这是Coursera提供的一门关于数据挖掘的在线课程。

时间序列数据挖掘是数据分析中重要的分支之一，专注于从序列数据中提取信息和模式。在这个过程中，相似性度量是核心任务之一。欧几里得距离作为基本的相似性度量方法之一，具有线性时间复杂度，但对异常点敏感，且要求比较的序列长度相等。动态时间规整（DTW）作为另一种有效方法，能够测量不同长度时间序列之间的相似性，通过弯曲操作处理等长时间序列，使其匹配到相似趋势上。文章《在线和动态时间规整，用于时间序列数据挖掘》提出了一种加速DTW计算的方法，通过滑动窗口将长序列分割为短子序列，并提出了有效的DTW算法来测量子序列间的相似性。数值实验表明，该方法比传统DTW方法更快、更有效。文章还结合在线学习，将DTW应用

提出了一种结合层次分析法(AHP)和数据挖掘技术的砂型铸造工艺自评价模型。该模型首先利用AHP方法构建了多级指标体系，对影响砂型铸造质量的因素进行层次化分析，确定各指标权重。然后，利用数据挖掘技术对历史生产数据进行分析，建立预测模型，对砂型铸造工艺进行评价。 该模型具有以下优势： 层次分明，逻辑清晰: AHP方法能够将复杂的评价问题分解成多个层次，使评价指标更加清晰明确。 定量分析，客观评价: 通过数据挖掘技术对历史数据进行分析，能够克服传统评价方法的主观性，实现对砂型铸造工艺的客观评价。 预测性强，指导改进: 建立的预测模型可以对未来的生产情况进行预测，为工艺改进提供指导。 模型应用 该

FP-增长算法在数据挖掘领域的应用依托于SMILE (统计机器智能和学习引擎)。 SMILE是一个功能强大的系统，集成了机器学习、自然语言处理、线性代数、图形、插值和可视化等多个模块，为数据挖掘任务提供了高效且全面的支持。

Online Python是一种供雇主使用的工具，使求职者能够提交他们的Python脚本进行评估。这些脚本在单独的Python解释器进程中运行，并且通过PyPy的沙箱功能安全执行。Online Python项目是DTU为02819数据挖掘课程开发的。