搜索资源列表
hmm.zip
- 隐马尔可夫链模型和例程（包括前向、后向算法、Viterbi解码以及为了减少概率数值计算误差编写的对数运算程序）,Introduction to Hiden Markov Model and Example Codes
Fortran_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
SingleNeuralAdaptivePIDController
- 单神经元自适应pid,减少了模型误差对远程控制系统的影响,试验表明系统具有良好的鲁棒性和控制品质-Single neuron adaptive pid, a reduction of model error on the remote control systems, experiments show that the system has good robustness and control quality
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
buck_boost
- 基于平均法的buck_boost型DC/DC建模步骤，包括电压模和峰值电流模。增加了误差放大器放大倍数的确定，电源调整率，负载调整率和三种变换器的一阶等效模型-Based on the average law buck_boost type DC/DC modeling steps, including the voltage mode and peak current mode. An increase of the error amplifier to determine the magni
rl
- 人工神经网络(Aartificial Neural Network，下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法(BP算法，Back Propagation)，它的网络
bp
- 基于人工神经网络误差反向传播BP的水质预测模型-Based on back propagation artificial neural network prediction model of water quality BP
C_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
Matlab_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
Crystal-Based-on-BP-Network
- 摘 要： 介绍BP算法神经网络由线拟舍方法，并借助MATLAB工具箱函数将它运用于方解石色散特性研 究，通过拟合效果图，误差曲线，误差范数反映BP神经网络的优越性，体现BP算法较高的预测能力和良好的泛化能 力，并且可以自动地确定数学模型．精确度高，原理也较简单，尤其对复杂的输入输出系统具有更好的效果。-Abstract： Curve fitting method of BP neural network was introduced and applied in the model of
BP
- 构建BP神经网络，源码。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-BP neural network to build, source. BP network can learn and store a lot of input- out
using-adaptive-chebyshev
- 提出了一种基于自适应 Chebyshev 多项式神经网络(ACNN)的 Logistic 混沌系统控制算法。该算法采用 Chebyshev 正交多项式作为神经网络的激励函数, 构建 Logistic 混沌系统的预测与控制模型。为了保证算法的稳定性, 提出和证明了收敛定 理, 并利用自适应学习率算法提高神经网络的学习效率和收敛速度。通过采用自适应 Chebyshev 神经网络直接学习 Logistic 混 沌系统的动态特性, 并对系统实施目标函数控制。实验仿真结果表明, 该算法在 L
Adaptive-Embedding-Dimension
- 嵌入维数自适应最小二乘支持向量机 状态时间序列预测方法 Condition Time Series Prediction Using Least Squares Support Vector Machine with Adaptive Embedding Dimension 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题, 提出一种基于嵌入维数自适应 最小二乘支持向量机( L SSVM ) 的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重要参
Machines-Based-on-DFS
- 深度优先搜索的支持向量机参数优化算法 Study on Parameters Optimization of Support Vector Machines Based on DFS :研究支持向量机参数优化问题，由于算法要求准确选择 SVM 参数，支持向量机在处理大样本数据集时和最优模型参 数确定时，消耗的时间长、占有内存大，易获得局部最优解的难题。为了解决支持向量机存在的不足，采用深度优先搜索算 法对其参数优化机机制进行改进。将向量机参数优化视成一个组合优化问题，将支持向
Fuzzy-PID-control-c-program
- 由于项目需要，需要模糊控制算法，之前此类知识为0，经过半个多月的研究，终于有的小进展。开始想从强大的互联网上搜点c代码来研究下，结果搜遍所有搜索引擎都搜不到，以下本人从修改的模糊控制代码，经过自己修改后可在vc6.0，运行！输入e表示输出误差，ec表示误差变化率，经过测试具有很好的控制效果，对于非线性系统和数学模型难以建立的系统来说有更好的控制效果！现将其公开供大家学习研究！-Fuzzy PID control c program.doc
BPTS_NetWork
- 一种基于误差反向传播的BP学习算法的模糊神经网络模型，作为非线性映射的有效工具。-A method based on back propagation BP learning algorithm for fuzzy neural network model of nonlinear mapping, as an effective tool.
fixtime
- 利用威布尔分布模型建立维修间隔周期的优化，效果良好，误差4 以内-maintenance period optimization
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
Grey-Model-Based-on-Genetic-
- 基于GA-GM(1,1)模型的航空发电机状态趋势分析结果较GM(1,1)模型所得结果平均相对误差降低0.14个百分点，分析结果更加精确，为灰色分析模型及其优化模型在航空发电机剩余使用寿命预测技术研究中的应用奠定基础。同时也说明遗传优化算法在航空发电机状态趋势分析中的应用是可行的且具有实际科学意义。这也为GA-GM(1,1)模型在其他领域中的应用指明了道路。-GA-GM (1,1) model-based aviation generator status trend analysis resul
CMAC逼近非线性函数
- 利用小脑模型神经网络逼近非线性函数，MATLAB编写m文件实现，给出逼近误差(Cerebellar model neural network is used to approximate nonlinear functions. MATLAB is used to write M files, and approximation error is given.)