前馈神经网络（反向传播算法）用到的数据集，包含5000张数字图片X及对应标签y。由于是matlab类型的数据，X需要转置。

感知器算法，感知器的学习算法，前馈神经网络感知器

针对在线序贯极限学习机(OS-ELM)对增量数据学习效率低、准确性差的问题, 提出一种基于增量加权平均的在线序贯极限学习机(WOS-ELM)算法.将算法的原始数据训练模型残差与增量数据训练模型残差进行加权作为代价函数,推导出用于均衡原始数据与增量数据的训练模型,利用原始数据来弱化增量数据的波动,使在线极限学习机具有较好的稳定性,从而提高算法的学习效率和准确性. 仿真实验结果表明, 所提出的WOS-ELM算法对增量数据具有较好的预测精度和泛化能力.

此代码使用一阶随机梯度下降优化多层前馈神经网络。 它将网络输出为一个结构，然后可以在新数据上进行测试。

针对永磁直线同步电机（ PMLSM）伺服系统易受摩擦力和推力波动等外部扰动影响的 问题，提出了一种基于扩展卡尔曼滤波器（ EKF）的扰动前馈补偿方法。首先，建立了与位移函 数相关的扰动模型，作为扰动前馈补偿器。然后，利用 EKF 估计电机初始位置并反映到扰动前馈 补偿器中，同时自适应调整扰动模型的系数，以实现扰动模型与实际扰动的同步，达到对系统扰 动补偿的目的。最后，系统仿真和实验结果表明该方案是有效可行的，与扰动观测器相比，基于 EKF 的 PMLSM 伺服系统在扰动补偿方面具有更加优越的性能。，论文下载

分析了一种单相光伏并网发电仿真系统。根据光伏电池的数学模型建立了光伏阵列的仿真模型，采用变步长扰动观察法实现最大功率点跟踪控制，引入电网电压前馈的双闭环控制策略实现并网控制。基于Matlab仿真平台，搭建了系统仿真模型，仿真结果表明光伏电池输出功率能很好的保持在最大功率点，直流母线电压保持稳定，逆变器输出电流与电网电压同频同相，真正实现了并网，提高了电能质量。

前馈控制的基本原理就是测取进入过程的扰动量(包括外界扰动和设定值变化)，并按照其信号产生合适的控制作用去改变控制量，使被控制变量维持在设定值上。

自动化专业过程控制技术的课程设计，有关于静态前馈控制系统的设计。有MATLAB仿真。

本 文针对前位神经 网络误差反 向传播算法 48 3 算法 7收敛速度慢 且常 常收敛于 局 部 极小值等缺 陷 , 提出 了一种墓 于推广卡尔受撼波估计 的快 速学 习 新方 法 , 与 83 算 法相 比较 , 该方 法不仅学 习收 敛速 度快 , 数 值称定性好 , 所需学 习 次数和隐节点数少 , 而且所佑调 节参数少 , 便于 工程应用 0 非 线性 系统 建模与辨识的仿真计算结果 表明 , 该方法是 提高网络学 习速度 、 改替学 习性 能的一种有效方法 , 可有 效解决工业过 程等非线性 系统建模与辨识 问题

matlab开发-快速多层前馈神经网络训练。这是一个简单而快速的代码，可以训练任意层数的神经网络。