搜索资源列表
triplehandstandpendulum
- 首先对非线性模型在控制目标附近进行线性化得到相应的状态空间表达式，再对线性模型设计LQR控制器，进而用此控制器控制非线性倒立摆，取得训练神经网络控制器的数据，最后用这些数据训练得到神经网络控制器，最终基于神经网络的（一、二、三级）倒立摆控制均取得了很好的控制效果；
ROBOT
- 该文详细分析了履带式机器人的受力特点, 提出了一种适于进行控制器设计的履带机器人模型, 并在此基础上, 按照反馈线性化的思想, 提出了一种履带式机器人稳定路径跟踪控制器的设计方法, 同时给出了方法的非奇异条件。该文提出的控制系统模型和路径跟踪方法, 为履带式机器人控制系统设计提供了理论依据。
ADALINE
- 神经网络中神经元线性模型的C语言实现源程序！
nn
- 线性神经网络，BP神经网络，Hopfield神经网格，Elman神经网络，RBF神经网络；在模型应用模块中实现了六种实际应用：RBF网络的船用柴油机故障诊断，BP网络的齿轮箱故障诊断，SOM网络的回热系统故障诊断，BP网络的设备状态分类器，SOM网络的人口比例样本分类，SOM网络的土壤性状样本分类。-Linear neural network, BP neural network, Hopfield neural network, Elman neural network, RBF neural
textureclassfication
- 提出了一种基于函数联接的感知器神经网络的纹理分类方法.它采用高斯2马尔柯夫随机场模型(GM RF)对纹理进行描述,模型参数即为纹理特征,参数估计采用最小平方误差方法获得.将估计参数作为表达纹理的特征向量,用感知器网络对特征进行分类,并且采用函数联接的方式解决线性不可分问题.对纹理图象进行的实验表明,采用这种方法能够提高学习速度,简化计算过程,并取得较好的纹理分类效果. -Based on the function connected perceptron neural network tex
projectionsGray
- 灰色预测模型称为CM模型，G为grey的第一个字母，M为model的第一个字母。GM（1，1）表示一阶的，一个变量的微分方程型预测模型。GM（1，1）是一阶单序列的线性动态模型，主要用于时间序列预测。 一、GM（1，1）建模 设有数列 共有 个观察值 对 作累加生成，得到新的数列 灰色理论与模型及在车辆拥有量预测中的应用 灰色神经网络交通事故预测比较 灰色系统(第三版)-projections Gray (No. Third Edition)
Pattern_Classification_Project_3
- 两个模式识别算法实现，一个是线性区别函数另一个是混合高斯模型方法。本人的大作业，经验证可用。-Two pattern recognition algorithm, the difference between a linear function of the other is the Gaussian mixture model. I am a big operation, experience certificates available.
invertedpendulum
- 倒立摆是一种复杂、时变、非线性、强耦合、自然不稳定的高阶系统，许多抽象的控制理论概念都可以通过倒立摆实验直观的表现出来。基于人工神经网络BP算法的倒立摆小车实验仿真训练模型，其倒立摆BP网络为4输入3层结构。输入层分别为小车的位移和速度、摆杆偏离铅垂线的角度和角速度。隐含层单元数16个。输出层设置为1个输出单元。输入层采用Tansig函数，隐含层采用Logsig函数，输出层采用Purelin函数。用Matlab 6.5数值计算软件对模型进行学习训练，并与线性反馈控制逻辑算法对比，表明倒立摆控制B
LPC_Project
- 线性预测算法基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型,利学水 报 2009 年 1 月 SHUILI XUEBAO 第第 40 卷 1 期文章编号 :055929350 2009 0120046206 基于遗传算法 -matlab Linear prediction algorithm is based on genetic algorithm- support vector machine reservoir chlorophyll-a concentration of
2DLDAwiththeSVM-basedfacerecognitionalgorithm
- 二维线性鉴别分析(2DLDA)算法能有效解决线性鉴别分析(LDA)算法的“小样本”效应，支持向量机 (SVM)具有结构风险最小化的特点，将两者结合起来用于人脸识别。首先，利用小波变换获取人脸图像的低频分量，忽 略高频分量：然后，用2DLDA算法提取人脸图像低频分量的线性鉴别特征，用“一对多”的SVM 多类分类算法完成人脸 识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。-”Small sample size”problem
BMDCP
- 突变分为如下主要的几种：均值突变（最常见）、方差突变、线性回归突变（也称趋势突变）、概率突变、空间型突变、谱突变、模型参数突变，等等。贝叶斯突变检测属于概率突变检测方法，其特点是能给出突变点的概率分布图。-Mutations are divided into the following main categories: the mean mutation (the most common), variance mutation, linear regression mutation (also
vcdigita-image-patten-
- 本书介绍了模式识别和人工智能中的一些基本理论以及一些相关的模型,包括贝叶斯决策、线性判别函数、神经网络理论、隐马尔可夫模型、聚类技术等-This book describes the pattern recognition and artificial intelligence in some of the basic theory and some related models, including Bayesian decision-making, linear discriminant f
2.3
- 线性神经网络模型与学习算法线性神经网络模型与学习算法-Linear neural network model and learning algorithm
LinearSVMModel
- 通过训练样本获得线性支撑矢量机模型，对于学习模式识别基础理论的同仁很有参考价值。-Training the samples to get the linear SVM model。
BP5
- 回转窑的生产过程是一个复杂的物理化学反应过程，具有大惯性、纯滞后、非线性等 特点。工艺过程复杂多变，难以得到精确的数学模型.本文利用BP神经网络可以实现任意非 线性映射的特点建立其神经网络预测模型,结合广西某大型水泥厂实时采集的生产数据，进 行仿真研究。仿真结果表明，该模型能够很好的预测水泥回转窑的温度。 -Rotary kiln production process is a complex physical and chemical reaction process, with
4floorearthquake
- 近年来，随着各国大地震的接连发生，对人类的生命财产造成了巨大的损失，高层建筑的隔震抗震引起了广泛关注。因此，在实际结构中对与建筑隔震性能的研究具有重要的意义。本文提出依次采用扩展卡尔曼识别结构响应和最小二乘识别未知激励的方法，对隔震层的无模型非线性特性进行识别。首先是在小地震线性情况下识别出结构参数刚度和阻尼，然后在大地震下对隔震特性进行识别。算例表明,该方法对已知地震激励下的隔震结构，其非线性特性的识别具有较高的精度。这样可通过结构迟滞力的变化，对结构的隔震性能进行有效的识别。-Recentl
ARIMA-model-algorithm
- 在目前统计预测中，存在着非平稳序列分析效果差、多步预测误差较大、缺 乏系统的软件实现等问题。本文针对该类问题进行研究，提出了NARIMA方法， 该方法以ARIMA模型为基础，有效结合了游程平稳检验方法、差分平稳处理方法 、线性最小方差预测算法等，解决了传统统计预测方法中存在的上述问题 -In the current statistical forecast, there is a differential effect of non-stationary sequence ana
chap8_1
- 基于SVR的线性系统逆模型辨识建模及校验的仿真程序，由于辨识信号采用的都是随机信号，不是数值固定的信号，所以程序每次运行的结果都可能有所不同。-Linear inverse model identification modeling and verification system simulation program based on SVR identification signal are random signal, not the value of the fixed signal, s
chap9_1
- 基于SVR的线性系统内部模型辨识建模及校验的仿真程序， 由于辨识信号采用的都是随机信号，不是数值固定的信号，所以程序每次运行的结果都可能有所不同。-Based the SVR system of linear internal model identification modeling and verification simulation program identification signal are random signal, not the value of the fixed si
人工智能：人工智能选股之朴素贝叶斯模型
- 本报告对 朴素贝叶斯模型及线性判别分析、二次判别分析 进行系统测试 “生成模型”是机器学习中监督学习方法的一类。与“判别模型”学习决 策函数和条件概率不同，生成模型主要学习的是联合概率分布??(??,??)。本 文中，我们从朴素贝叶斯算法入手，分析比较了几种常见的生成模型（包 括线性判别分析和二次判别分析）应用于多因子选股的异同，希望对本领 域的投资者产生有实用意义的参考价值。(This report gives a systematic test of naive Bayesian