搜索资源列表
yongfenjishenjingwangluoxuexijiqirendedonglixueted
- 摘要：给出了解决机器人控制问题一种神经网络方法。使用一个分级神经网络(NN)结构学习刚体机器人动力学特点。对于一般类别的机械手，使用前训练一系列的三层前馈网络模块，然后把这些基函数实时地用于第四层。使用线性控制原理，辅以非线性补偿控制机械手，使学得的机械手动力学知识创建一个在整个工程中高速控制机械手的控制器。模拟结果表明控制器的性能得到了大大提高。-Abstract: This paper presents a solution to the issue of robot control neu
methods_of_classification
- 这里和大家分享的几种基础的分类方法，其中包括判别聚类分析、人工神经网络、主成分分析等-Here and to share the basis of several classification methods, including discriminant cluster analysis, artificial neural networks, principal component analysis
ANN-in-maneuvering-target-tracking
- 在机动目标跟踪中，机动目标模型是机动目标跟踪的基本要素之一，一般希望机动目标模型能准确表征目标机动时的各种运动状态。比较常用的模型有匀速运动(CV)模型、匀加速运动(CA) 模型、时间相关模型（Singer）和机动目标“当前”统计模型。上述模型均采用机动频率表征目标的机动情况。在应用当中，通常采用固定的机动频率，这就表示机动目标的机动时间是一定的，而实际上机动目标的机动时间是不断变化的，也就是说机动频率是不断变化的，采用固定机动频率必然会带来误差。采样周期在0.5—2S时，机动频率越小跟踪精度越
bpfcm
- C-均值聚类 BP神经网络信号分析与处理方法，对模拟产生的数据样本进行训-C-means clustering analysis and BP neural network signal processing method, the simulated data generated training samples
bp
- 用神经网络方法，通过c++编程实现，工程实际中一些问题。-bp algorithms by c++
cloud-classification
- 基于神经网络方法的卫星图像云分类 BP神经网络和SOM神经网络-Satellite cloud image classification method based on neural network BP neural network and SOM neural network
libsvm-3.1-[FarutoUltimate3.1Mcode]
- 态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于
libsvm-3.17
- 为了真实有效地提取网络安全态势要素信息，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中，根据Agent节点功能的不同，划分为不同的层次。利用主成分分析(Principal Component Analysis, PCA)对训练样本属性进行约简并对特殊属性编码融合处理，按照处理结果改进概率神经网络(Probabilistic Neural Network, PNN)结构，以降低系统复杂度。然后以改进的PNN作为基分类器，结合自适应增强算法，通过基分类器反
关于回归神经网络的交通状态判别
- 聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。 聚类(Cluster)分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向量，或者是多维空间中的一个点。 聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。(Clustering algorithm)
分类器
- 模式识别分类器，利用Fisher判别对数据进行分类以及BP神经网络的方法进行分类(Pattern recognition classifier, the use of Fisher discriminant classification of data and BP neural network method for classification)
shenjingwangl
- 利用神经网络对多传感器数据进行融合，最后求得仿真数据，并与真实数据对比，给定了权值等。(The neural network is used to fuse the multi-sensor data. Finally, the wind direction of the simulated wind speed is obtained, and the wind direction is compared with the true wind direction, and the weight
RBF系统辨识
- 为系统辨识，神经网络初学者提供一种简单的程序设计方法，希望大家多多共享，互利互惠。(In order to identify the system, the beginners of the neural network provide a simple method of programming. We hope that all of us can share more, mutual benefit and mutual benefit.)
程序
- 针对齿轮箱故障诊断的问题，提出了一种基于BP神经网络和DS 证据理论的不确定性信息融合方法。(In order to realize a stable and effective gearbox fault diagnosis system, an uncertain information fusion method based on BP neural network and modified DS evidence theory is proposed.)
DropOut深度网络
- 深度神经网络在测试时面对如此大的网络是很难克服过拟合问题的。 Dropout能够很好地解决这个问题。通过阻止特征检测器的共同作用来提高神经网络的性能。这种方法的关键步骤在于训练时随机丢失网络的节点单元包括与之连接的网络权值。在训练的时候，Dropout方法可以使得网络变得更为简单紧凑。在测试阶段，通过Dropout训练得到的网络能够更准确地预测网络的输出。这种方式有效的减少了网络的过拟合问题，并且比其他正则化的方法有了更明显的提升。 本文通过一个简单的实验来比较使用Dropout方法前后网络
神经网络拟合26个英文字母
- 用神经网络的方法，拟合26个英文字母，并不断自主学习(The method of neural network is used to fit 26 English letters and continue to study independently.)
灰色神经网络预测
- 灰色系统理论是一种研究少数据、贫信息、不确定性问题的新方法，该代码为基于灰色神经网络的预测算法，例子为冰箱市场的订单需求预测。(Grey system theory is a new method to study less data, poor information and uncertainty. It is a prediction algorithm based on grey neural network, and an example is the order demand pre
GA_Test
- 这是用于遗传神经网络的matlab代码, 代码里面详细表述了怎么样建立BP神经网络的GA优化方法(this is the code for GA based BP neural network)
BP神经网络与多项式拟合曲线
- BP神经网络与多项式拟合曲线，数据统计描述，神经网络模型，概率统计建模的理论和方法。(BP neural network and polynomial fitting curve, data statistical descr iption, neural network model, probability and statistics modeling theory and method.)
LSTM-Human-Activity-Recognition-master
- 与经典的方法相比，使用具有长时间记忆细胞的递归神经网络(RNN)不需要或几乎不需要特征工程。数据可以直接输入到神经网络中，神经网络就像一个黑匣子，可以正确地对问题进行建模。其他研究在活动识别数据集上可以使用大量的特征工程，这是一种与经典数据科学技术相结合的信号处理方法。这里的方法在数据预处理的数量方面非常简单(Compared with the classical methods, the recursive neural network (RNN) with long-term memory
BP网络图像分类
- 采用神经网络进行图像分类，分类方法简单，但是效果略差。(Using neural network for image classification, the classification method is simple, but the effect is slightly poor.)