搜索资源列表
r43
- 鲁棒控制器设计，由于RBF网络可以实现任意逼近的非线性关系，它的目标是要做到误差平方和最小，与非线性PCA的目标一致，所以上述非线性PCA的模型可以通过采用两个RBF网络来实现非线性正变换 和反变换 。RBF网络是一个三层前馈网络，隐层采用径向基函数作为激励函数。第一个RBF网络把高维空间的数据映射到低维空间（如图4），第二个RBF网络将前面网络输出的低维空间数据再映射到高维空间，实现数据恢复(如图5)。这两个网络分别进行训练。-robust controller design, as RBF
MSE_calculation
- 最小二乘算法，最小均方误差等算法的MSE的计算，MATLAB代码
lrg_x2
- 拉氏算法以及最小平方，采用尽量少的除法以减少误差
M_sorting_unwrapping
- 在理想情况下采用非可靠度导向的顺序扫描法或菱形算法等相位展开的基本方法可以正确展开相位，这些算法具有最简单的和确定的扫描路径，如果测量过程中噪音较大或本身有些地方不满足采样定理，采用非可靠度导向方法展开会出现错误。可靠度导向的相位展开方法可以绕开二维相位场中的无效点，在某 种程度上将误差降到最小。
2113f
- 在DS-spread spectrum系统中,噪声为加性高斯白噪声,传统单用户检测,线性解相关多用户检测和最小均方误差多用户检测的性能比较
基于支持向量机的手写数字识别（小论文+matlab编程及结果）
- 支持向量机的研究现已成为机器学习领域中的研究热点，其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，即最小化模型的结构风险，从而提高了模型的泛化能力，这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的，经过十几年的研究和发展，已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。
LSSVM_python_code-master
- 最小二乘支持向量机 ，实现很好的分类效果，零训练误差(Least Squares Support Vector Machines (LSSSMs) to achieve good classification, zero training error)