搜索资源列表
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
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
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
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
BP
- 误差逆向传播反馈BP网络，在VC++6.0环境下编译，包括1、界面程序；2、BP神经网络训练程序；3、BP神经网络预报程序；4、BP神经网络说明程序；5、测试范例。-Reverse the spread of error feedback BP network, in VC++6.0 compiler environment, including one, the interface procedures 2, BP neural network training procedures 3,
part_237010_200311202__
- 山 东 大 学 硕 士 学 位 论 文：图像边缘检测算法的研究本 文 分 为 七 个 部 分 。第一部分首先阐述了课题的研究背景、意义以 及该领域的发展现状；第二部分介绍了几种经典的边缘检测方法，给出 了这些方法的图像边缘检测结果，并且进行了相关的分析比较；第三部 分阐述了BP 神经网络的结构以及数学模型等相关知识；第四部分具体 介绍了一种新的基于统计向量和BP 神经网络的边缘检测方法；第五部 分介绍了一种有效的边缘细化算法，它可以对新方法得到的图像边缘进 一步处理以达到
FLCH3eg5
- 采用3-6-1型bp网络学习非线性正弦信号sin(2pi*k/50),其中2*pi/50是正弦信号的频率，k是采样次数。-Bp-based 3-6-1 network used to learn non-linear sinusoidal signal sin (2pi* k/50), which is 2* pi/50 frequency sinusoidal signal, k is the sampling frequency.
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
BP_neural_network_source_code
- BP神经网络源程序（程序是在VC++6.0环境下编译的，在低版本编译可能会出现错误！） 程序文件说明： 1、界面程序：wuzhou11.* 2、BP神经网络训练程序：LearnDlg.* 3、BP神经网络预报程序：ForecastDlg.* 4、BP神经网络说明程序：text.txt 5、测试范例：ldlqw11.* .nna 训练样本文件 .nnb 测试文件 .par 训练控制参数 .nnr 训练误差文件 .out 测试结果文件 .wgt 网络
BP-matlab
- 基于C开发的三个隐层神经网络,包括 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
OllyDbg-v1.10flyODBG
- 1、OllyDbg是伟大的汇编级分析调试器，作者是Oley Yuschuk。 2、汉化第二版修正了以前汉化版“BP断点无法删除”和“断点窗口不能显示反汇编栏目中的反汇编内容”的2个bug。针对很多汉化版使用者的意见，将配置文件OllyDbg.ini中的大部分配置内容恢复到英文；你可以直接使用你原来英文版的配置文件。参考TT小组翻译的帮助文件修正了某些词语。 3、Ollydbg.exe是汉化原版，flyODBG.eXe是修改版，必须和压缩包中的其他文件释放在一起。 4、XP界面风格Bo
BP-neural-network_c
- 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
kecheng2011
- 课程设计要求 0 实验一 基于模板匹配的字符识别 1 实验二 基于C均值算法的车辆检测与跟踪 3 实验三 水果分类系统设计 5 实验四 基于遗传算法的图像歪斜校准 6 实验五 基于BP网络的函数逼近 9 实验六 空调模糊控制系统设计 -Curriculum design requires 0 Experimental one based on template matching character recognition 1 C-means algorithm
BP-curve-in-MATLAB
- 该压缩包包含神经网络在MATLAB里的应用： 1、非线性函数拟合 2、RBF网络-非线性函数回归 3、粒子群算法非线性极值寻优 4、神经网络极值寻优 5、神经网络建模自变量降维 6、BP网络-非线性函数回归-The archive contains neural network in MATLAB: 1, non-linear function fitting 2, RBF network- 3 nonlinear function regression, nonline
BP
- 现有一种合金由A,B,C三种元素及杂质组成 测试5次 A百分含量 [7.1 7.0 6.9 6.8 7.2] B百分含量 [3.2 3.4 3.6 3.8 4.0] C百分含量 [2.5 2.9 3.1 2.6 2.2] 硬度[78 65 78 69 72] 用BP神经网络进行拟合BP神经网络进行拟合-The BP neural network to carry on the fitting
BP
- 误差反传网络(BP)特点：1)对原始数据的分布型式无要求；2)已知模型的类型应比较全面；3)适用于多目标模式识别；4)外推能力有限；5)定性数据和定量数据混合处理；6)当加入新模型时需要重新训练网络；7)不能用于数据插值。 -1) the distribution pattern of the original data requirements 2) known model types should be more comprehensive 3) suitable for multi
BP
- 用C语言编写的BP神经网络算法，能够实现6输入3输出的神经网络-BP neural network algorithm written in C, it is possible to achieve 3 6 input output neural network
BP
- BP神经网络，3层神经网络，中间隐含层节点为6-BP neural network, 3 layer neural network, and hidden layer nodes is 6 in the middle
BP
- 利用BP网络逼近对象y(k)=u(k)^3+y(k-1)/(1+y(k-1)^2)。采样时间取1ms。输入信号为u(k)=0.5sin(6*pi*t)。(Approximate object y (k), =u (k), ^3+y (k-1) / (1+y (k-1) ^2) using BP networks. Sampling time is 1ms. The input signal is u (k) =0.5sin (6*pi*t).)
股票预测
- 采用三层BP神经网络结构，输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1，使用MATLAB编写。 将所给数据按14：1分为训练样本集，和测试样本集，经测试及分析，预测误差为0.1700，误差较小。 网络训练好后，输入前一天的6组数据，即：最高价、最低价、开盘价、收盘价、成交量，就能自动预测出后一天的收盘价。(The structure of three-layer BP neural network is adopted. The number of neurons in the i