搜索资源列表
BackProp算法源程序
- 开发环境:C语言 简要说明:BackProp算法：BP网络是反向传播(Back Propagation)网络。它是一种多层前向网络，采用最小均方差学习方式。这是一种最广泛应用的网络。它可用于语言综合，识别和自适应控制等用途。BP网络需有教师训练。 -development environments : C language Brief Descr iption : BackProp algorithm : BP is the back-propagation network (Back
matlab_4
- 基于RBF神经网络整定的PID控制 径向基函数具有单隐居的三层前馈网络。是—种局部逼近网络，己证明它能以任意精度逼近杠意连续函数。
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
2nsq
- 神经元个数netcount：参数netcount控制着预测模型的输入，也就是神经网络模型的输入层神经元个数。 隐藏节点数hiddencount：参数hiddencount控制着神经网络模型的隐藏节点的个数。 检验组数目：模型训练玩完后，需要用几组数据对模型的预测效果进行检验。
PNN
- PNN又称为概率神经网络,它最初由数学家Specht于1990年提出,后经Master[1995]等不断发展和完善,已成功地应用于机器学习、人工智能、自动控制等众多领域.概率神经网络比多层前馈网络的数学原理简单,且易于实现-PNN is also known as the probabilistic neural network, which was first introduced by the mathematician Specht in 1990, after the Master [1
BPNN
- 用BP神经网络实现模糊控制规则为T=int[(e +ec)/2]的模糊神经网络控制器。可以改变隐层节点数和学习速率。网络训练算法是变学习速率法。-BP neural network with fuzzy control rules for the T = int [(e+ Ec)/2] of the fuzzy neural network controller. Can change the hidden layer nodes and learning rate. Network tra
bp
- bp人工神经网络，可控制隐层和输出层输出量最大循环次数，-bp artificial neural network, can control the hidden layer and output layer output the maximum cycle number,
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
truslate
- 基于神经网络的pid控制，可任意选择各层节点数目-Pid control based on neural network can choose the number of layers of nodes
PID-control-based-BP
- 用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。-We use a multilayer feedforward neural network using back propagation algorithm and based on control requirements.This net can real-time output Kp, Ki, K
bp2
- 基于bp神经网络的pid控制。多层前馈网络具有很强的逼近函数。-Based on the bp neural network pid control
Multi-layer-neural-net
- 多层神经网络设计和仿真 应用与反步控制系统设计中-multi-neruo networks
IC
- 该文档为BP算法在智能控制中的应用例子及其说明。BP网络输入、输出节点数可选；隐含层数及隐含层节点数可选，最大训练次数及退出训练误差可选，数据文件可选，动量因子可选，学习速率可选，激活函数类型可选，网络实现功能（分类、拟合）可选。开发环境为MATLAB。-This document is BP algorithm in intelligent control application examples and their descr iptions. BP network input and ou
BP_PID1
- 基于BP神经网络的PID控制方法设计控制器，通过BP神经网络与PID的控制相结合的神经网络控制基本原理和设计来自适应的功能调节PID的的三个参数，并根据被控对象的近似数学模型来输出输入与输出并分析BP神经网络学习速率η，隐层节点数的选择原则及PID参数对控制效果的影响。-based on BP neural network PID control method designed controller, through the BP neural network PID control with
art_net
- 自适应谐振理论ART简单实现代码，网络由比较层、识别层、控制模块几大部分构成。(Adaptive resonance theory, ART neural network.The network is made up of the comparison layer, the identification layer and the control module.)
对冲刷单圣手
- 功能介绍对于刷单圣手EA在功能设置上面可以参考以下几点： 1，开仓方向：可以选“开多单”、“开空单”选框来控制只开多单或只开空单，又或者多空都开仓。 2，加仓：可以设置加仓手数倍数，可以分多层数并设置不同的加仓间隔。 3，止盈平仓，可以设置平均止盈点数，也可以根据不同的层数来设置盈利全平金额。 加载说明： 加载货币：AUDUSD/NZDUSD/USDJPY/GBPUSD/EURGBP/EURJPY/GBP/JPY 加载周期：15M 建议起步资金建议1000跑0.01(Function intro
【单币对冲-EA】一款高收益、低风险,对冲策略
- 单币对冲-EA以马丁为核心，集合了移动挂单，对冲，顺势加仓，时间控制，多层加仓机制等功能，极大的增强了抗风险能力。测试显示，300点以内的大单边，浮亏一般不会超过1000美金 移动挂单的开仓模式有效的避免了急速单边行情出现时仓位的激增；再加上顺势加仓对冲，可以对抗大型单边行情而不至于浮亏过大； 时间控制功能可以选择在行情较大的时间段暂停EA加仓。