搜索资源列表
BPclose
- bp 网络逼近函数,作正弦函数逼近.对初学者来说是不错的例子.-bp network approximation functions for sine function approximation. For beginners is a good example.
三层BP神经网络逼近非线性函数
- 内容如题，其中BP神经网络的建立采用自编函数，而非Matlab自带的神经网络建立函数
BP
- 应用BP神经网络对两个函数进行非线性逼近，并给出MATLAB源程序，还对结果进行了分析。-Application of BP neural network of the two non-linear function approximation, and gives MATLAB source code, but also on the results are analyzed.
FIRdesign
- FIR数字滤波器的设计方法主要是建立在对理想滤波器频率特性作某种近似的基础上的。这些近似方法有窗函数法、频率抽样法、最佳一致逼近法。在这里只讨论窗函数法。程序中也是采用了这种方法。-FIR digital filter design method is mainly based on the frequency characteristics of the ideal filter for some kind of approximation on the basis of. These app
erb1
- 利用网络实现函数逼近 使用的主要函数如下： NEWRB——设计径向基函数神经网络 SIM——对径向基函数网络进行仿真-Function approximation using the Internet to achieve the main function is as follows: NEWRB- the design of radial basis function neural network SIM- for radial basis function network
NNcontroller
- 实现神经网络控制的rbf逼近函数，十分经典的一个例子-NNc bijin nonlinear function
MATLABsuanfa
- 里面包含了插值，函数逼近的各个算法。很知道大家去学习-Which contains the interpolation, function approximation of the various algorithms. We are aware that to learn
1
- 利用神经网络中BP神经网络来拟合要逼近函数的程序。使用BP算法。-The use of neural network to fit the BP neural network to approximate the function procedure. The use of BP algorithm.
example_bpnetronetwork
- BP算法例子：用一个五层的神经网络去逼近函数-example_bpnetronetwork_5layers
BP
- 不使用matlab神经网络工具箱用bp网络实现函数逼近。利于了解bp网络的原理-Do not use matlab neural network toolbox with bp networks function approximation. Help to understand the principle of the network bp
matlab
- 插值，函数逼近，矩阵特征值计算，数值微分，积分，方程求根，非线性方程求解，迭代，随机数生成，特殊函数，常微分方程，偏微分方程等常用的matlab程序。-Interpolation, function approximation, matrix eigenvalue calculation, numerical differentiation, integration, finding roots of equations, nonlinear equations, iterative, rand
MATLAB
- 基于MATLAB的共轭梯度BP算法在函数逼近中的实例-MATLAB-based conjugate gradient BP algorithm in the example of function approximation
rbf
- RBF网络逼近函数子程序-RBF network approximation function subroutine
数据插值与函数逼近
- matlab数据插值与函数逼近.内容非常详尽的幻灯片。-matlab data interpolation and approximation. the content is very detailed slide show.
Character-Recognition(Lib-SVM)
- 支持向量机的研究现已成为机器学习领域中的研究热点，其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，即最小化模型的结构风险，从而提高了模型的泛化能力，这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的，经过十几年的研究和发展，已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。- Support
5
- Chebyshev 用切比雪夫多项式逼近已知函数 Legendre 用勒让德多项式逼近已知函数 Pade 用帕德形式的有理分式逼近已知函数 lmz 用列梅兹算法确定函数的最佳一致逼近多项式 ZJPF 求已知函数的最佳平方逼近多项式 FZZ 用傅立叶级数逼近已知的连续周期函数 DFF 离散周期数据点的傅立叶逼近 SmartBJ 用自适应分段线性法逼近已知函数 SmartBJ 用自适应样条逼近（第一类）已知函数 multifit 离散试验数据点的多项式曲线拟合
CMAC
- 实现小脑模型逼近函数的程序（初学，仅供参考）-Realize the cerebellum model approaching function of the program
lagrange
- 数值分析中运用matlab用lagrange插值多项式逼近函数-Numerical analysis using matlab function lagrange interpolation polynomial approximation
求解任意函数指定区间内的所有实根
- 本程序使用数值分析的方法找出任意函数指定区间内的所有实根。算法是通过一系列Chebyshev多项式毕竟目标函数，然后使用一种高效的数值分析方法(J.P. Boyd [see Appl. Num. Math. 56 pp.1077-1091 (2006)])求解出逼近函数的根。
第5章 函数逼近
- 函数论的一个重要组成部分，涉及的基本问题是函数的近似表示问题。在数学的理论研究和实际应用中经常遇到下类问题：在选定的一类函数中寻找某个函数g，使它是已知函数?在一定意义下的近似表示，并求出用g近似表示 ?而产生的误差。这就是函数逼近问题。在函数逼近问题中，用来逼近已知函数?的函数类可以有不同的选择；即使函数类选定了，在该类函数中用作?的近似表示的函数g的确定方式仍然是各式各样的；g对?的近似程度（误差）也可以有各种不同的含义。所以函数逼近问题的提法具有多样的形式，其内容十分丰富。(An impo