搜索资源列表
javaforBPandrbf
- 用java编写的bp网络和rbf网络的源程序 JNNT由java语言写成，具有跨平台的优越性能.java applet的演示版更简单到只需要任何机器上的浏览器就可以运行，无需安装任何大型附加软件。更方便爱好者通过internet远程访问资源。 -with java bp prepared by the network and the networks of the source rbf JNNT by java language, cross-platform advantages ca
Java_neuralnetwork_toolkit
- 本工具包主要是为对神经网络有兴趣人士提供的一种方便，灵活的学习和研究软件。 JNNT由java语言写成，具有跨平台的优越性能.java applet的演示版更简单到只需要任何机器上的浏览器就可以运行，无需安装任何大型附加软件。更方便爱好者通过internet远程访问资源。 支持反向传播算法(BP),LBG聚类法和径向基网络(RBF)
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
GUI_DIVERSITY_RECEIVER
- 讨论分集接收机的结构以及性能。利用matlab对接收信号的处理进行演示。同事讨论不同接收情况下误码率的变化-Discuss the diversity receiver structure and performance. The received signal using matlab processing demonstration. Colleagues discuss the different reception conditions change in the error rate
ADBF_yanshi
- 自适应波束形成图演示，不同条件下波束形成的性能，适合初学自适应信号处理的朋友-adaptive beamforming of different situations,suitable for beginners
MATLAB_GUI-Costas
- 基于MATLAB_GUI的Costas环性能演示软件实现-Costas loop performance in MATLAB_GUI presentation software implementation
Elman
- 用于电力系统短期负荷预测的Elman神经网络程序。演示了下性能还过的去，对于初学Elman神经网络有帮助。-For power system short-term load forecasting Elman neural network program. Demonstrates the performance also had to go under, beginner Elman neural network.
主要程序
- 粒子群算法的仿真程序，并采用典型benchmark进行演示分析； 然后，应用粒子群算法进行热工过程水轮机系统模型辨识，matlab软件可直接运行； 采用粒子群算法与PID参数整定进行联合仿真，用以提高PID控制器对热工过程水轮机的控制性能。(Particle swarm algorithm simulation program, and the use of a typical benchmark for demonstration analysis; Then, the particle
ModifiedLMS
- 核心代码为 "mlms.m" ，其基础为LMS算法（最小均方差算法）。 "demon_mlms.m"演示了算法的收敛性能，而 "De50HzInterference.m" 则给出了其在去50Hz工频干扰方面的应用。当然，算法本身还可以应用在其他方面，比如回声消除等，只需要在此基础上做出相应的修改即可以应用在自己的工程上。(The core file is "mlms.m". it's modified LMS met
kafbox-1.4
- Kernel自适应滤波器算法是基于Kernels的在线自适应回归算法。非常适合非线性滤波，跟踪和回归。该工具箱包括算法，演示和性能比较工具(Kernel adaptive filtering algorithms are online and adaptive regression algorithms based on kernels. They are suitable for nonlinear filtering, prediction, tracking and nonlinear r