a little example of a single channel feed-forward active noise control system based on the FxLMS 基于fxlms算法的单通道前馈anc系统。m文件，带注释，可直接运行。

pytorch实现前馈神经网络实验（torch实现）参考链接：https://blog.csdn.net/qq_37534947/article/details/109402126

参考文章：https://blog.csdn.net/qq_37534947/article/details/109394648

构建一个至少含有1-2 层隐藏层的神经网络模型，解决手写的0-9 十个手写 数字的识别问题。神经网络模型构建过程中需要注意的几点： （1）数据集采用MNIST 阿拉伯数字手写体数据集。 （2）模型输入层的节点个数的设计。输入层的节点数目应该与输入的手写 体图片的大小相等。MNIST 手写体数据集中手写阿拉伯数字的图像为28×28 的 方形图。 （3）每一个隐藏层的网络节点数的设计。应该遵循特征提取与降维相统一 的原则。 （4）输出层的节点数。因为识别任务是0-9 的十个手写数字，所以输出层 应该是一个多任务的二分类问题

PID 前馈控制程序，运行成功，比例积分微分对控制能对对象扰动给出及时控制信号，控制效果很好

针对燃煤电厂 SCR 入口氮氧化物浓度测量准确性的问题，提出基于结构改进 RBF 神经网络(improved RBF neural network, IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量，避免变量过多或者过少造成模型精度降低；利用 K-近邻互信息估计辅助变量的延迟时间，解决时序问题；采用调整时序的辅助变量和主导变量建立结构改进的RBF 神经网络(RBFNN)预测模型；采用人工鱼群算法(artificial fish swarm algorithm, AFSA)和粒子群算法(particle swarm optimization, PSO)加速验证结构改进模型的优越性，并将两种优化算法优化能力进行分析。仿真结果表明，结构改进的 RBF 神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型；AFSA 算法优化后的模型精度高于 PSO 算法，然而其需要调节的参数较多。

基于dsp的三相PWM整流，程序流程清晰

利用Matlab构建深度前馈神经网络以及各类优化算法的应用（SGD、mSGD、AdaGrad、RMSProp、Adam）-附件资源

过程控制，带前馈PID系统整定结果图

matlab实现前馈神经网络代码(含注释)