区间RBF神经网络的结构与算法

当永磁同步电机速度控制系统面对变负载和大范围调速时,PID 控制器参数需要频繁调整且速度跟踪不理想。通过结合滑模理论和神经网络方法,本文提出一种变负载自适应速度控制策略。控制器可以分为PI 控制和神经网络控制两部分。其中,PI 控制器用于保证系统前期收敛和稳定性,其输出信号作为误差反馈信号输入到神经网络,并基于线性滑模理论设计权值参数的调节律。当系统负载发生变化时,神经网络控制器的输出将取代PI 控制器,逐渐成为系统的主要速度控制信号。仿真结果显示,本文提出的速度控制方法能够提高系统的速度跟踪性能和抗干扰

模糊洗衣机的推理如图：水位水位模糊推理模糊推理水位水位模糊推理模糊推理洗涤时间洗涤时间布质布质洗涤时间洗涤时间布质布质水流水流布量布量水流水流布量布量漂洗方式漂

（1）方法原理及思想 （2）模型介绍 （3）BP 人工神经网络步骤 （4）应用及效果分析

使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

matlab程序基于bp神经网络车牌识别设计 程序可以运行 需要搭配matlabr2019a 需要的软件参数自行根据软件提示下载 包含程序和报告

【预测模型】 BP神经网络太阳辐射预测【含Matlab源码 883期】.zip

iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。

由 Ian T. Nabney 编写的流行机器学习库“NetLab”的附加组件。 库为 NetLab 实现卡尔曼滤波器训练算法。

Keras中的字符级CNN 该存储库包含用于字符级卷积神经网络的Keras实现，用于AG新闻主题分类数据集上的文本分类。 已实现以下模型： 张翔，赵俊波，严乐村。 。 NIPS 2015 Yoon Kim，Yacine Jernite，David Sontag，Alexander M.Rush。 。 AAAI 2016 白少杰，齐科·科特尔（J. Zico Kolter），弗拉德·科特（Vladlen Koltun）。 。 ArXiv预印本（2018） Kim的CharCNN最初是经过端到端训练的语言建模管道的一部分，但已被改编为文本分类。 用法 安装依赖项（Tensorflow 1.3和Keras 2.1.3）： $ pip install -r requirements.txt 在config.json文件中指定训练和测试数据源以及模型超参数。 运行main.py文件，