【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：神经网络变量筛选_基于MIV的神经网络变量筛选_MIV_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

利用滑模的思想设计了一种单变量滑模控制器，滑模控制本质上是一种非线性控制，它可以根据系统当前的状态有目的地不断变化，迫使系统按照预定“滑动模态”的状态轨迹运动，具有快速响应和强鲁棒性的特点。

微信开发的ASP资源少，这个可以获取用户的信息，返回 jsonp数据，用ASP解析，可以ASP中直接调用，存于ASP中的 session中。使用时只需填写weinkey文件中的APPID和开发者密码就可。调用直接调用f.asp。需要微信公众号里面设置域名为用户授权域名，及JS权限

利用百度翻译api，基于python制作的一款涉及驼峰法、下划线法常用变量命名的生成小工具。

1、广义线性回归 广义线性模型有三个组成部分： (1) 随机部分, 即变量所属的指数族分布 族成员, 诸如正态分布, 二项分布, Poisson 分布等等. (2) 线性部分, 即 η = x⊤β. (3) 连接函数 g(µ) = η。 R 中的广义线性模型函数glm() 对指数族中某分布的默认连接函数 是其典则连接函数, 下表列出了 R 函数glm() 所用的某些指数族分布的 典则连接函数. 2、0-1因变量的回归模型 对于因变量为0,1变量的问题，可以考虑两种模型来解决 经过Probit变换和Logit变换，两种模型可以写成： 多变量情况： logit回归 probit回归 3

使用Logistic回归预测糖尿病得病率_多变量逻辑回归的python实现(Logistic Regression in Python)使用Logistic回归预测糖尿病得病率： 1.准备数据：用Python解析csv文件并填充缺失值 2.分析数据：可视化并观察数据 3.训练算法：使用优化算法，找到最佳的系数 4.测试算法：为了量化回归的效果需要观察错误率，根据错误率决定是否退到训练阶段，通过改变迭代次数和步长等参数来得到更好的回归系数。

C语言变量名命名规则

一、用状态变量设计模型参考自适应控制律 设模型的状态方程为 �Xm = Am Xm + Bm r (3 .3 1) 式中 Xm 为 n维状态向量 , r为 m 维输入向量 , Am 为 n× n稳定矩阵 , Bm 为 n× m矩阵。 控制对象的状态方程为 �Xp = Ap ( t) Xp + Bp ( t) u (3 .3 2) 图 3. 3 1 模型参考自适应控制图 式中 Xp 为 n维状态向量 , u为 m维控制向 量 , Ap ( t) 为 n× n 矩阵 , Bp ( t) 为 n× m 矩阵。 一般自适应控制系统采用如图3 .3 1 所示的前馈控制加反馈控制。 从图 3 .3 1 可得 u = K( t) r + F( t) Xp (3 .3 3) 将式 (3 .3 3 ) 代入式 ( 3 .3 2) 得 �Xp = [ Ap ( t) + Bp ( t) F( t) ] Xp + Bp ( t) K( t) r (3 .3 4) 设 Ap ( t) + Bp ( t) F( t) = As ( t) Bp ( t) K( t) = Bs ( t) (3 .3 5) 图 3. 3 2 用状态方程描述的模型参考自适应系统 因 F( t) 与 K( t) 都是误差 e的函数。因此 As ( t) 和 Bs ( t)也与误差 e有关 ,则 As ( t) 和 Bs ( t) 可表示成 As ( t) = As ( e, t) , Bs ( t) = Bs ( e, t) (3 .3 6) 则式 (3 .3 4 ) 可表示成 �Xp = As ( e, t) Xp + Bs ( e, t) r 在上式中 Xp 用 Xs 表示 ,则 �Xs = As ( e, t) Xs + Bs ( e, t) r (3 .3 7) 式 (3 .3 7 ) 为可调系统 , Xs 就是可调系统 的状态向量。As ( e, t) 和 Bs ( e, t) 按照自适 应规律进行调整。系统如图 3 .3 2 所示。 按照超稳定性理论设计模型参考自适 应系统的步骤如下 : —85—

ios oc手动代码混淆函数名和变量名demo,包含注意事项的举例

pathnew_matlab_central 预先准备了成功运行语音处理练习集所需的文件夹