搜索资源列表
BP
- 基于BP神经网络算法的研究，主要比较了模拟退火算法、遗传算法、P神经网络的区别，提出了一种比较优化的BP算法-the research for BP
BP
- example.txt 仿真实例.txt 归一实例.txt 每次预测结果不一样的解释.txt 遗传算法优化BP神经网络权值和阈值的通用.txt -example.txt simulation examples. txt return an instance. txt is not the same each time the interpretation of predicted results. txt genetic algorithm BP neural netwo
Intelligent-controller
- PID控制算法简单、鲁棒性强，但其参数整定过程繁琐，整定时需要控制对象的精确数学模型，而且整定往往是针对某一种具体工况进行的，缺乏自学习和自适应能力。模糊神经网络则兼备了模糊逻辑和神经网络的优点，具有函数逼近功能，具有较强的自适应、自学习能力、容错能力和泛化能力。借助于遗传算法对全局性参数进行优化设计，借助于BP算法对局部性参数进行优化，将模糊神经网络和遗传算法引入PID控制参数的整定过程，构造出一种基于模糊神经网络和遗传算法的智能PID控制器-Intelligent controller ba
A-hybrid
- 针对传统的ＢＰ或ＧＡ对模糊神经网络的识别应用存在收敛容易陷入局部极小 识别率低下等问题 提出一 种基于ＢＦＧＳ的混合遗传算法 其基本思想为 首先构造一种前馈型模糊神经网络结构 然后用遗传算法进化若干代 后 当目标函数的梯度或者范数小于预先设定值 则改用ＢＦＧＳ算法进行优化识别 仿真实验表明 对比ＧＡ该算法 收敛速度较快 识别精度提高了约７％ 能够较好地应用于一类模糊神经网络的识别-In traditional BP or GA to identify the application
wzrh
- (1)针对在线计算量大这一缺陷，将预测控制中的柔化输出信号的思想推广到柔化输入信号，使得约束条件被简化为仅对当前控制量的约束，可以直接计算得出；同时该方法避免了求逆矩阵，大大减小了计算量，并能够保证控制算法的可行性和良好的控制性能。 (2)针对传统算法中设计参数整定困难这一缺点，应用基于BP神经网络变参数设计的广义预测控制算法，实现了对控制量柔化参数的在线调整。 (3)利用带有遗忘因子的最小二乘法对系统辨识。本文通过仿真发现该方法对于Hénon混沌系统并不完全适用，可考虑利用其他优化系统
BP-neural-network
- BP网络模型处理信息的基本原理 BP神经网络模型.节点输出模型,作用函数模型,误差计算模型,自学习模型 缺陷分析及优化策略 实现神经网络的BP算法源码及注释-BP neural network model of the basic principles of processing information BP neural network model output node model, the role of function model, error calculation mo
GestureStudy
- 文档描述使用BP神经网络算法进行鼠标手势识别，以及对算法的优化和实验结果，使用C#进行开发，基于Framework2.0-Document describes the use of BP neural network algorithm mouse gesture recognition, as well as the optimization algorithm and experimental results, the use of C# development, based on Fram
Implementation-of-BP-neural-network
- BP神经网络算法实现及优化，较好的对传统算法进行了改进和优化。-BP neural network algorithm and optimization, better improvement on traditional algorithms and optimization.
feixianxingnihe
- 在matlab软件中编程实现基于遗传算法优化BP神经网络非线性系统拟合算法-In the matlab software programming based on genetic algorithm to optimize the BP neural network nonlinear system fitting method
chapter3
- 遗传算法、粒子群算法优化BP神经网络-非线性函数拟合-Genetic algorithm and particle swarm optimization for BP neural network nonlinear function fitting