资源包含相关文献及对应matlab仿真程序，仅供参考。 以船舶模型已知为前提,考虑干扰界已知和界未知两种情况下的船舶轨迹跟踪问题,对外界环境干扰界已知情况,结合backstepping设计方法与滑模控制算法,设计船舶轨迹跟踪滑模控制律。其次,针对船舶存在模型不确定项与未知环境干扰的轨迹跟踪控制问题,将动态面控制技术、自适应神经网络、滑模控制算法与backstepping设计方法相结合,设计一种基于神经网络的船舶轨迹跟踪自适应滑模控制律;进一步考虑为避免神经网络导致的“维数灾难”问题与直接对虚拟控制律的微分操作,将最小参数学习法与动态面控制技术相结合,提出一种基于动态面和最小参数法的欠驱动船舶轨迹跟踪自适应滑模控制律,用于降低计算负载和避免复杂性爆炸问题。然后,针对实际工况中船舶速度不易测量的轨迹跟踪控制问题,设计非线性观测器估计船舶速度,依此再结合动态面控制技术,避免对虚拟控制量直接求导,提出一种基于非线性观测器的欠驱动船舶轨迹跟踪自适应滑模输出反馈控制律。

基于BP神经网络实现共享单车数据预测，环境：anaconda+jupyter notebook。文件包含代码+数据集

纯英语名著，关于大脑理论结合人工智能的神经网络和深度学习相关定理的百科全书。本书据我所知没有译本，不过值得一看。

基于改进的BP神经网络车牌识别的研究.pdf

小波和混沌神经网络在大坝变形预测中的应用.pdf

在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。 虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断.pdf

在别人做一输入一输出的基础上实现两输入一输出，应该可以任意改变输入数。原代码实现的y=x1²+x2²函数的拟合。

资源内容为GAN对抗神经网络的各种常用变体。 项目源自Github：https://github.com/eriklindernoren/Keras-GAN 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com 具体内容包括： 1.GAN(经典) 2.半监督生成对抗网络(SGAN) 3.边界搜索生成对抗网络(BGAN) 4.对偶生成对抗网络（DualGAN) 5.辅助分类-生成对抗网络（Auxiliary Classifier GAN） 6.基于上下文的半监督生成对抗网络(CC-GAN) 7.耦合生成对抗网络(CoGAN) 8.深度卷积生成对抗网络(DCGAN) 9.双向生成对抗网络(BiGAN) 10.信息最大化的生成对抗网络（InfoGAN） 11.最小均方误差的生成对抗网络(LSGAN) 12.Wasserstein GAN

分享一套pytorch课程——《Pytorch深度学习入门与实战》，2022年最新升级版，课程简明易懂，非常适合初学pytorch的朋友，课程配套有完整的代码+课件+数据集下载。 Pytorch深度学习入门与实战课程是一套系统实战课程，结合了超多的经典实例，比如：图像定位实例、Unet语义分割实例、LinKnet图像语义分割实例、经典四种天气分类实例、文本分类实例、循环神经网络、Tensorboard可视化等等。