搜索资源列表
dtcit_win32
- 对大滞后系统，本交互式软件提供了PI调节和史密斯预估器调节的比较，对了解大滞后系统的控制很有帮助。-Large delay system, the interactive software provides a PI regulator and the Smith predictor regulation comparison, to understand the lag system helpful.
rk4andadams
- 四阶经典RK算法和四阶Adams预测-校正算法是求解微分方程时经常用的方法，本文进行了比较，提供了算例和程序-Classical RK method of fourth order and fourth-order Adams predictor- corrector algorithm is often used to solve the differential equation method, this article compares and provides examples and
Improved-Elman-share-price-forecast
- 以深 市 A股中的个股 中集集团(股票代号 ： 000039)fleJ 180天的实际收盘价的时间序列作为预测对象，提出基于改进的 Elman神经网络的个股价格预测模型，实验 结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度-CIMC Shenzhen A-share stocks (ticker symbol: 000 039) fleJ 180 days of the actual closing price time series as a predictor of
BP-neural-network-model
- 本文在了解神经元和BP算法的基础上，使用MATLAB软件作为开发工具建立BP神经网络模型，重点研究了BP神经网络结构设计的原理和方法，包括影响BP神经网络训练能力的因素，以及这些因素如何影响BP神经网络的性能；改变不同参量，对比实验数据，总结各个参量对BP神经网络的影响。从而寻找最佳的BP神经网络模型。本文还对一些其他的神经网络算法进行了总结和介绍。- In this paper , based on understanding of the neuronal model and learni
chapter5
- 此代码为BP网络的强预测网络的预测代码，适合初学者学习-This code is a strong predictor of the BP network network prediction code, suitable for beginners to learn
BPpredictinof-flood
- 针对BP 算法易陷入局部极小、收敛速度慢等缺点，遗传算法是全局优化算法和具有很强的全局搜索能力，遗传算法优化BP 神经网络初始连接权值和阈值形成混合算法。以安徽宣城市为例,将汛期降水量作为预测对象，前期74 项大气环流特征量、500 hPa、100 hPa 月平均高度场、月平均海平面气压场和月平均海温场资料中选取预测因子，建立汛期降水短期气候预测模型。-BP algorithm is easy to fall into local minimum, slow convergence, genet
Apso-bp-Rainfall
- 降水短期气候预测是一个非常复杂、重要的研究课题。为了提高其预测能力，拟采用1959—2011 年逐月74 项大气环流特征量序列、月平均500 hPa 高度场和月平均海温场，选取预测因子；用主分量分析方法提取样本数据中主要信息为综合因子。用粒子群优化人工神经网络方法，建立宣城市夏季降水短期气候预测模型。对2007—2011 年宣城市夏季降水预报检验结果表明，粒子群优化人工神经网络收敛速度快，迭代次数少；试报平均绝对误差是66.5 mm，绝对值平均相对误差10.5 ，预测精度高，具有很好的应用推广前
pid_smith
- smith预估器添加到PID的控制器当中，解决了控制对象有延迟的影响-Smith predictor is added to the PID controller, solves the influence of time delay control object
DNRBM
- 采用栈式 RBM 的深度神经网络。自训练, 自控制(This paper is a continuation of the depth of the neural network and the choice of the previous predictor. Here we will be covered by the depth of the neural network characteristic of stacked RBM initialization, and it is in