搜索资源列表
immunity
- 提供一个人工免疫算法源程序，其算法过程包括： 1.设置各参数 2.随机产生初始群体——pop=initpop(popsize,chromlength) 3.故障类型编码，每一行为一种！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％。实际故障测得数据编码，这里Unnoralcode,188％ 4.开始迭代（M次）： 1）计算目标函数值：欧氏距离[objvalue]=calobjvalue(pop,i) 2）计算群体中
02092028
- 1. 背景简介 日常生活中经常有自动售货机，这种机器不需要人来随时控制，只是按照其内部的一些默认程序来 工作，是一种比较简单的人工智能程序，本程序为对这种机器的一种模拟。 2.项目目标 （1）向顾客显示所售的各种商品； （2）让顾客进行选择； （3）向顾客显示所选商品的价格； （4）收款； （5）发送顾客所选择的商品； （6）向顾客找零。 3.运行环境 PⅢ级别计算机(CPU主频300Mhz以上、128MB内存） WINDOWS操作系统
DavidPeterman_C
- 问题描述： 虽然离开浦口了，但在浦口校区后山大家还都有印象吧，可你知道有一座小山在冬天下大雪的时候是可以滑雪的，SEU很喜欢滑雪，这并不奇怪， 因为滑雪的确很刺激，可是为了获得速度，滑雪区域必须向下倾斜，而且当你到底时不得不重新走到上面重滑。SEU想知道在这个区域中最长的滑坡。区域由一个二维数组给出。数组的每一个数字表示山坡上一个点的高度。 下面是一个例子： 一个人可以从一个点滑向上下左右相邻的四个点之一，当且仅当高度减小。在上面的例子中，一条可行的滑坡为24-17-16-
PS2Key
- SMC1602A(16*2)模拟口线接线方式 连接线图: --------------------------------------------------- |LCM-----51 | LCM-----51 | LCM------51 | --------------------------------------------------| |DB0-----P0.0 | DB4-----P0.4 | RW-------P2.5 | |DB1-----P0
BP
- 基于BP神经网络的 参数自学习控制 （1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值 和 ，选定学习速率 和惯性系数 ，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数 ， ， ； （4）根据(3.34)计算PID控制器的输出u(k)； （5）进行神经网络学习，在线调整加权
XiandaiYouhuaJisuanFangfa
- 谢金星，邢文训 本书系统地介绍了禁忌搜索、模拟退火、遗传 算法、人工神经网络和拉格朗日松驰等现代优化计算方法的模型与理论、应用技术和应用案例。本书共6章，第1章介绍算法复杂性的基本概念和启发式算法的评价方法，后5章分别介绍各个现代优化计算方法。
VC++BP
- 本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用
yichuan
- * 这里是遗传算法的核心框架遗传算法的步骤： * 遗传算法核心部分的算法描述 * 算法步骤： * 1、初始化 * 1.1、生成初始种群编码 * 1.2、计算每个个体的适配值。 * 1.3、记录当前最优适配值和最优个体 * 2、选择和遗传， * 2.0、若当前最优适配值多次小于已有的最优适配值（或相差不大）很多次，或者进化的次数超过设定的限制，转4。 * 2.1、按照与每个个体的适配值成正比的概率选择个体并复制，复制之后个体的数目和原始种群数目
NN+GA
- 1,改进BP神经网络在股市预测中的应用.2,基于MATLAB工具箱的开采煤层自燃危险性预测.3,基于改进的神经网络的电力系统负荷预报.4,基于神经网络的灌溉用水量预测.5,基于遗传算法改进BP网络的地表沉陷预计.6,利用遗传算法改进BP学习算法.7,模糊神经网络在电力市场短期负荷预测中的应用.8,神经网络学习算法存在的问题及对策.9,遗传神经网络在电力系统短期负荷预测中的应用.10,应用改进BP神经网络进行用水量预测.11,用遗传算法改进的BP模型在刹车系统诊断中的应用研究.12,遗传算法改进的
mani
- mani: MANIfold learning demonstration GUI by Todd Wittman, Department of Mathematics, University of Minnesota E-mail wittman@math.umn.edu with comments & questions. MANI Website: httP://www.math.umn.edu/~wittman/mani/index.html Last Modified by G
BP神经网络源程序
- 基于C开发的三个隐层神经网络，输出权值、阈值文件，训练样本文件，提供如下函数：1）初始化权、阈值子程序；2）第m个学习样本输入子程序；3）第m个样本教师信号子程序；4）隐层各单元输入、输出值子程序；5）输出层各单元输入、输出值子程序；6）输出层至隐层的一般化误差子程序；7）隐层至输入层的一般化误差子程序；8）输出层至第三隐层的权值调整、输出层阈值调整计算子程序；9）第三隐层至第二隐层的权值调整、第三隐层阈值调整计算子程序；10）第二隐层至第一隐层的权值调整、第二隐层阈值调整计算子程序；11）第一
基于Gabor特征提取和人工智能的人脸检测系统源代码
- 使用步骤： 1. 拷贝所有文件到MATLAB工作目录下(确认已经安装了图像处理工具箱和人工智能工具箱) 2. 找到"main.m"文件 3. 命令行中运行它 4. 点击"Train Network"，等待程序训练好样本 5. 点击"Test on Photos"，选择一个.jpg图片，识别。 6. 等待程序检测出人脸区域
Perceptron-and-ADALINE-network
- 这些程序包括以下方面1.使用感知器和ADALINE网络对字母进行识别。2.随机选取初始权向量，选取适当的迭代步长(对ADALINE网络)，用给出的四个输入训练样本，对上述两个网络分别进行训练，直到网络收敛；3.对Adaline网络选取不同的值，分别画出误差曲线，观察它们的变化规律；4.对感知器选取不同的初始权向量，分别计算每类训练样本到超平面的距离，观察它们的异同；5.训练结束后，检验网络的识别能力(使用100个检测样本，对应于每个取25个含噪的变形)：6.比较Adaline和单神经元感知器的分
Ch06
- 6.1 简介 6.2 资料的表示 6.3 相似度的计算与测量 6.4 分群法的采用 6.5 分割式分群法 6.6 非分割式分群法 6.7 分群法在大型资料集合之设计 6.8 评估分群的结果-6.1 Introduction 6.2 The data indicated that 6.3 Calculation and Measurement of similarity grouping law of 6.4 using 6.5 cut 6.6 clustering m
svm_light-(1).tar
- svm light算法，这是最新的03年5.0版本的svm ligth源码,现在svm light的官方网站被屏蔽了，这是通过大力下载下来的。-svm light algorithm, which is the latest 2008 version 6.0 svm ligth source
Neural-network-qiduanma
- 设用7个短线段构成1,2,3,4,5,6,7,8,9,10共10个数码图形，令这7个线段分别用一个矢量 来代表，又设对数码图形中用到的线段，相应分量取值为1，未用到的线段相应的分量取值为0，因此每个数码图形分别可由一个矢量表示，其顺序编号为： ，试设计一神经网络，能够区分奇数码和偶数码。-Set with seven short line segments 1, 2, 3, 4, 5, 10 digital graphics, 7 segment represented by a vector,
bashuma
- 重排九宫问题，在3×3的方格棋盘上放置分别标有数字1，2，3，4，5，6，7，8的8张牌，0表示空格，可使用的算符有空格左移，空格右移，空格上移空格下移，即他们只允许把位于空格左右上下的牌移入空格，要求寻找从初始状态到目的状态的路径。-Rearrangement JiuGongTu placed on the checkerboard-labeled 33 digital 1,2,3,4,5,6,7,8 of 8, 0 represents a space, operators can use
ANN
- 自适应神经网络图书馆（Matlab的5.3.1或更高版本）是实现多个自适应神经网络具有不同的自适应算法块的集合。 它主要分布于2001年6月 - 7月詹皮耶罗坎帕（西弗吉尼亚大学）和马里奥·卢卡Fravolini（佩鲁贾大学）。后来改善部分由美国航天局资助NCC5-685支持。 有迹象表明，实施基本上这些种神经网络的块： 自适应线性网络（ADALINE） 多层感知层网络 广义径向基函数网络 动力单元结构（DCS）网络的高斯或圆锥形基函数
ga-SIMPLE
- /求下列元素的最大值：目标函数max=f(x1,x2)=x1*x1+x2*x2 取值范围在{1，2，3，4，5，6，7} //本算法在选择时使用：轮盘赌选择法、交叉时使用：单点交叉。 -A maximum of the following elements: objective function Max = f (x1, x2) x1+ x2 = x1** x2.Scope in,2,3,4,5,6,7 {1}This algorithm is used when the choice
趋势刷单-EA
- 核心策略亮点 1.科学仓位管理 首单 0.01 手起步，最大 0.08 手封顶，风险可控, 单量多盈利强 采用 1.3 倍递进加仓（K_Lot=1.3），配合网格间距（5.0 点），实现风险分散 支持双向交易，多空单独立风控，避免单边行情冲击 2.多周期趋势过滤 四重 EMA 指标（5/6/7/8 周期）交叉确认趋势，减少假突破信号 动态调整开仓条件：首单需满足 30 点空间（FirstStep=30），后续订单间距 20-35 点可调 3.智能时间风控 支持跨天交易设置，适应