主动学习

高斯过程模拟器(GPE)是一种复制计算要求高的模型训练运行的机器学习方法。在贝叶斯推理背景下，构建这样的代理非常具有挑战性。提供了贝叶斯主动学习(BAL)在伴随贝叶斯主动学习(BAL)框架下对GPE进行的全面贝叶斯观点。我们介绍了三种BAL策略，它们利用信息论自适应地确定GPE的训练集。BAL-GPE Matlab工具箱通过贝叶斯推理和BAL策略，提供了对GPE的全面贝叶斯视角。作者：谢尔盖

MATLAB中的存档算法代码用于遥感的MATLAB主动学习工具包。 (c) 20011-13 Devis Tuia和JordiMuñoz-Marí。该代码已在GNU GPL v2下获得许可。指示主动学习工具包（ALTB）在MATLAB 200x及更高版本中运行。利用基于Torch3库的外部可执行文件multisvm解决了SVM（也是通用的非常好的OAA SVM）。快速设置：下载最新版本并在计算机上安装。最新版本为，或者下载multisvm_binaries_v2.zip，解压缩，将对应于您平台的二进制文件复制到ALTB目录中，并将其重命名为“ multisvm”（如果使用Windows，则重命

8.11压力测量XPT2046能有效处理触摸压力。为了区分笔和手指触摸，必须进行压力测量。一般情况下，采用8位分辨率模式足以满足性能要求（但以下计算采用12位分辨率模式）。有多种方法可以实现此测量。第一种方法需要知道X面板的电阻和X位置的测量值，以及两个附加面板之间的测量值（Z1和Z2），如图8所示。触摸电阻可通过公式（3）计算：R触摸 = RX面板 · (1 - Z / ZX位置)。第二种方法需要测量X和Y面板的电阻、X和Y的位置，以及Z1的位置。触摸电阻可通过公式（4）计算：R触摸 = 1 / 4096 * (1 - Y / Y位置)。图13展示了压力测量模块的数字接口，XPT2046使用

本仓库包含与论文“利用主动学习和条件互信息以最大程度减少人类活动识别中的数据注释”相关的MATLAB代码，特别适用于数据集的交叉验证分区。采用了基于池的信息丰富和多样化的采样方法，使得处理大型数据集（如ExtraSensory）更加高效。

这几天我仿制了一个基于Matlab Simulink的主动滤波器模型，觉得效果不错，现在分享给大家。

条件检测在主动数据库系统中是至关重要的技术之一，涉及动态、多重和交叉条件的复杂性。交叉条件指的是条件之间可以互相覆盖，某些子条件可能属于多个主条件。因此，高效地评估条件是系统的关键目标。

近年来，基于主动数据选择的半监督聚类技术成为数据挖掘和机器学习领域的研究热点。该技术通过利用少量标签数据，显著提高了聚类精度。然而，现有的半监督聚类算法在处理大规模数据时仍面临挑战。

如果你正准备搞车辆主动悬架控制器的设计，LQG 控制器是个蛮不错的选择。这份资料通过建立 1/2 车辆模型和路面输入模型，结合最优控制理论，设计了主动悬架的 LQG 控制器。通过在 Matlab/Simulink 环境下进行仿真，了车身加速度、仰俯角加速度、悬架动挠度等多项指标。仿真结果显示，LQG 控制器对于提升车辆行驶平顺性和舒适性效果显著，真的是挺有价值的，尤其是想做精细调控的你，肯定能从中学到不少。如果你有类似需求，可以试试这份资源。仿真模型搭建得清晰，代码也都比较简洁，适合进一步扩展或者作为参考。实际应用中，LQG 控制器在各种悬架系统中应用广泛，学习这种控制器的设计和仿真会为你的项

Buck-Boost 均衡电路的锂电池均衡仿真，嗯，挺适合搞 BMS 的朋友研究的。用Matlab Simulink搭建电路模型，仿真过程还原得比较真实，像充电、放电、静置这些状态全都模拟到了。你可以看到不同电芯电压怎么跑，均衡电流怎么变化，想调参也方便。 原理部分讲得还挺清楚的，什么是Buck-Boost 拓扑、为什么电池需要主动均衡，作者都用比较接地气的方式说了，还配了不少电路图和波形截图。对比其他均衡方式比如开关电容、双向反激啥的，优缺点也一目了然。 实操层面，案例步骤写得蛮详细，适合你直接上手照着建模跑仿真。尤其是仿真参数设置这块，电感、电容、PWM 啥的，作者都标注得比较清楚。省得你

半监督聚类技术近年来在数据挖掘和机器学习领域备受关注，尤其是在利用少量标签数据获得高精度聚类方面。然而，现有算法在处理极少标签和多密度不平衡数据集时的表现有限。基于主动学习技术改进了聚类算法，通过最小生成树聚类结合主动学习思想，选取信息丰富的数据点作为标签，并采用类KNN方法传播类标签。实验结果表明，新算法在UCI标准数据集和模拟数据集上展现出更高的聚类精度和稳定性。