搜索资源列表
BP
- 使用MATLAB自己实现的一个BP神经网络的程序,程序中封装了一个函数,需要输入数据。上传的文件包中有一个Data文件,里面输入的数据和调用命令。-Use MATLAB to achieve one of their own BP neural network procedures, procedures in packages of a function, the need to input data. Upload a document package, there is a Data fi
ANN
- bp神经网络对短期电力负荷的预测,一周预测一天,输入是归一过的数据。-bp neural network for short-term load forecast, the forecast one day a week, enter the data have been normalized.
PCA
- 用于模式识别中的PCA降维输入数据data和option。data是一个矩阵,每一行代表一个样本。option是选择降维到多少维。-[eigvector, eigvalue] = PCA(data, options) [eigvector, eigvalue] = PCA(data)
bp_v1_2
- -----引入动量的算法 建立一个3层(含输入层)的BP神经网络,并对其进行训练 输入层不进行数据处理,隐含层激活函数为sigmod函数,输出层为线性函数 输入输出数据归一化到[-1,1],数据在矩阵中按行向量表示 即x=[x11,x12 x21,x22 ... xp1,xp2] y=[y1 y2 ... yp] p为样本数 -The introduction of the algorithm ----- momentum to build a three-layer (
Kohonen
- Kohonen神经网络算法工作机理为:网络学习过程中,当样本输入网络时,竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里德距离,距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值,使获得神经元及周边权值靠近该输入样本。通过反复训练,最终各神经元的连接权值具有一定的分布,该分布把数据之间的相似性组织到代表各类的神经元上,使同类神经元具有相近的权系数,不同类的神经元权系数差别明显。需要注意的是,在学习的过程中,权值修改学习速率和神经元领域均在不断较少,从而使同类神经元逐渐集中。-
LDPC
- 这是关于LDPC信道编码模块设计的程序 打开源程序,先运行gengrate_h.m程序,陆续将码长设置为756bit,列重设置为3,行重设置为9。在Workspace中同时将H、A、B、C、D、E、Hget、Fget、g、Tget这是个变量选择另存为encode_in.mat 格式。再运行main_encode.m进行编码,主程序运行后,在当前目录下,自动生成编码结果文件“encode—out.mat”,这将作为下一次扩频调制仿真实验的的输入信号。最后分别查看Workspace中的变量s
matlab-GUI
- 这是本人编写的matlab的GUI程序,可以实现交互式的界面。里面的程序是bp神经网络的应用,另一个回归分析的程序还没有写。可以实现的功能是利用神经网络,然后上传数据,根据数据训练网络,然后可以输入部分数据,验证网络。-This is my GUI program written in matlab, you can achieve interactive interface. Bp inside the program is the application of neural networks
matlab
- 基于神经网络的地震预测程序和研究,只要输入数据就可以了。-Program and research of earthquake prediction based on neural networks, as long as the input data.
MCGS-Communication--MATLAB
- MCGS工具在使用中与MATLAB通过DDE建立联系,通过其中的联系把数据输入组态软件中。-MCGS tool in use with MATLAB establish contact via DDE, through which the contact data input configuration software.
Class_3_Code
- 将concrete_data.mat文件导入到MATLAB中,其中attributes为影响混凝土抗压强度的7个输入变量,strength为混凝土的抗压强度,即输出变量; 将整个数据集中的103个样本随机划分为训练集与测试集,其中训练集包含80个样本,测试集包含23个样本; 将训练集与测试集数据进行归一化; 建立BP神经网络,并训练; 利用训练好的BP神经网络对测试集中的23个样本的抗压强度进行预测; 输出结果并绘图(真实值与预测值对比图)(The concrete_data.mat
GA-BP神经网络应用实例之MATLAB程序
- 使用MATLAB编写的GA-BP神经网络,可进行多组数据处理 % gap.xls中存储训练样本的原始输入数据 37组 % gat.xls中存储训练样本的原始输出数据 37组 % p_test.xls中存储测试样本的原始输入数据 12组 % t_test.xls中存储测试样本的原始输出数据 12组(MATLAB implementation of the GA-BP neural network,% gap.xls stored in the training sample of the
BP神经网络的非线性系统建模——非线性函数拟合
- 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方 法准确建模。在这种情况下,可以建立 BP 神经网络表达这些非线性系统。该方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练 BP 神经网络,使网络能够表达该未知函数,然后用训练好的 BP 神经网络预测系统输出 。(In engineering applications, some complicated nonlinear systems are often encountered. The equations
rbf
- 自己编写RBF神经网络程序,RBF神经网络隐层采用标准Gaussian径向基函数,输出层采用线性激活函数,其中数据中心、扩展常数和输出权值均用梯度法求解,它们的学习率均为0.001。其中隐节点数选为10,初始输出权值取[-0.1,0.1]内的随机值,初始数据中心取[-1,1]内的随机值,初始扩展常数取[0.1,0.3]内的随机值,输入采用[0 1]的随机阶跃输入(Write your own RBF neural network, RBF neural network hidden layer
work
- matlab补偿模糊神经网络源代码 本文中有两个函数m文件:model126.m是一个用于预测的完全没有用工具箱函数的补偿模糊神经网络主程序,用于仿真、对比训练数据和网络输出的差异;cb.m是一个非线性系统的数学模型,在model126.m中用“ode45”函数求解这个数学模型后,可以得到105个x1(t)、x2(t)和y(t),从而建立起一个两输入一输出的补偿模糊神经网络。(There are two function m file in this paper: model126.m is
Irisflower-class-code
- 实验将Iris花的数据集分为2组,每组各75个样本,每组中每种花各有25个样本。其中一组作为以上程序的训练样本,另外一组作为检验样本。为了方便训练,将3类花分别编号为1,2,3 。 使用这些数据训练一个4输入(分别对应4个特征),3输出(分别对应该样本属于某一品种的可能性大小)的前向网络。(The data set of Iris flower was divided into 2 groups, 75 samples in each group. Each group had 25 sam
gaann
- 遗传算法优化的神经网络代码,添加数据文件,更改输入输入参数,可直接运行(artificial neural network optimized by ga)
ann
- 单纯的神经网络做预测,添加数据文件,修改输入参数,可直接运行(Simple neural network to predict, add data files, modify input parameters, can be directly run)
1
- 基于神经网络的故障检测,首先利用了pca进行了数据预处理,然后输入到神经网络中(In fault detection based on neural network, the data are preprocessed by using pca, and then input into the neural network.)
脑电数据PCA处理及SVM分类
- 脑电eeg数据预处理,用于脑电信号的MATLAB处理程序,输入处理数据,进行matlab运算,PCA处理及SVM分类。(PCA Processing and SVM Classification of EEG Data)
KRR
- 核岭回归算法 输入数据集(需要分开存放训练集和测试集) 利用4重交叉验证法调参 最后输出分类准确率(Kernel ridge regression algorithm Input data set (training set and test set need to be stored separately) Parameter adjustment by 4-fold cross validation Final output classification accuracy)