资源包含相关文献和对应的matlab仿真代码，仅供参考。 针对船速与艏摇角速度均不可测的三自由度欠驱动船舶轨迹跟踪问题,考虑在海洋环境扰动未知,提出一种带非线性观测器的动态面自适应输出反馈控制方法。该方法通过对系统模型进行坐标变换,设计非线性观测器估计船舶的速度向量;采用动态面技术可处理反演法对虚拟控制量求导导致的"微分膨胀"问题,减少计算量;同时采用自适应律估计海洋环境干扰的界值,从而防止参数漂移。利用Lyapunov函数证明该控制律可保证船舶轨迹跟踪误差的一致最终有界性,仿真结果证明了所提出控制方法的有效性。

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

这是一个完整的图像理解（image captioning）项目数据及代码，可以结合博客https://blog.csdn.net/qq_34213260/article/details/106186470理解其运行机理

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。

Deep Learning（深度学习）学习笔记整理.pdf.zip

这个资源是用基于PyTorch的框架做的，用的是VGG19的神经网络模型，做的是一个图像风格迁移的案例。代码很详细，我做了非常多的注释，容易看懂。