本文实例讲述了Python利用神经网络解决非线性回归问题。分享给大家供大家参考，具体如下： 问题描述 现在我们通常使用神经网络进行分类，但是有时我们也会进行回归分析。 如本文的问题： 我们知道一个生物体内的原始有毒物质的量，然后对这个生物体进行治疗，向其体内注射一个物质，过一段时间后重新测量这个生物体内有毒物质量的多少。 因此，问题中有两个输入，都是标量数据，分别为有毒物质的量和注射物质的量，一个输出，也就是注射治疗物质后一段时间生物体的有毒物质的量。 数据如下图： 其中Dose of Mycotoxins 就是有毒物质，Dose of QCT就是治疗的药物。 其中蓝色底纹的数字就是输出结果

线性与非线性微波电路设计(第2版)微波电路领域的旷世经典

非线性整数规划的遗传算法Matlab程序.doc

单罐非线性模型使用模拟和线性化来寻找传递函数。 线性和非线性系统比较的响应

以非线性时间序列关联维数的计算为主线,分别使用相空间重构技术、C-C方法的延迟时间和嵌入维数估计、G-P算法直接从时间序列中计算关联维数,并对几种典型心音信号的关联维数进行计算,计算结果分析表明:心音信号中具有明显的混沌特性。

几种非线性方程求解算法的程序实现.ppt

保留非线性的潮流算法及应用.ppt

偶尔我会看到解决很多非线性最小二乘问题的请求，所有这些问题都有相同的模型，但数据集不同。 简单的答案是循环，或者您可以使用并行计算解决方案。 但是，您也可以使用优化工具箱求解器中内置的功能 - 允许您使用块对角雅可比矩阵并行解决许多小问题。 例如，假设要求您估计模型的系数y = a1 + a2*exp(a3*x) 这是使用任何非线性回归工具解决的简单问题。 （我推荐我自己的 fminspleas，也在 File Exchange 上。）但是假设您有 10000 组数据，那么您需要求解 10000 组参数？ 您可以只使用循环，但循环并不总是解决问题的最有效方法。 batchpleas 是解决这个问题的工具。 它通常允许吞吐量提高一个数量级，而无需任何并行处理工具箱。 例如，我在包含的演示中提供的示例在将一组 10000 条曲线拟合到数据时显示了 13-1 的加速，每个曲线都有 3 个要估计

本资源是模式识别中的非线性分类器代码,是本人觉得模式识别,机器学习中比较有意义的代码.

考虑了不对称刚性转子的陀螺效应,建立了转子―轴承系统的动力学模型。将Wilson-θ法改进并结合预估―校正机理,得到了一种求解转子―轴承系统非线性动力学响应的方法。运用该方法求解了不对称刚性转子―轴承系统的非线性动力响应,将计算结果与Runge-Kutta法的计算结果进行比较,表明该方法具有很高的精度。运用Floquet分岔理论分析了系统周期运动的稳定性及其分岔行为。