BP神经网络工具箱函数

涉及侵权，立马删除

dbn模型matlab代码BNT-SM 用于学生建模的贝叶斯网络工具箱（BNT-SM）旨在促进在学生建模社区中使用动态贝叶斯网络。 BNT-SM输入一个数据集和一个由研究人员假设的贝叶斯网络模型的紧凑XML规范，以描述学生知识和观察到的行为之间的因果关系。 BNT-SM使用贝叶斯网络工具箱生成并执行代码以训练和测试模型。 BNT-SM使研究人员可以轻松地探索关于学生模型中知识表示的不同假设。 例如，通过改变贝叶斯网络的图形结构，我们研究了补习干预如何影响学生的知识状态-干预是可能脚手架还是可以帮助学生学习。 主页 安装 BNT-SM2.0.zip可以在“下载”下下载。 它是在Matlab中实现的，因此您需要安装并运行Matlab。 典型用法示例 下载并解压缩BNT-SM后，启动Matlab并执行 >> cd src >> setup >> cd ../model/kt >> [property evidence hash_bnet] = RunBnet('property.xml'); Property.xml是一个XML文件，用于指定我们正在构建的贝叶斯网络。 在目录BNT-SM /

蚁群算法matlab源码Jx-WFST：包装功能选择工具箱 “迈向人才科学家：共享和学习” --- 介绍 该工具箱提供了40多种包装功能选择方法 A_Main文件提供了有关如何在基准数据集上应用这些方法的示例 这些方法的源代码是基于伪代码和书面文件编写的 该工具箱的主要目标是： 包装器功能选择方面的知识共享 协助其他人进行数据挖掘项目 用法 采用主要功能jfs进行特征选择。 您可以通过将'pso'更改为 如果您希望使用粒子群优化（请参见示例1），则可以编写 FS = jfs('pso',feat,label,opts); 如果要使用粘液模制算法（请参见示例2），则可以编写 FS = jfs('sma',feat,label,opts); 输入 feat ：特征向量矩阵（实例x Feature） label ：标签矩阵（实例x 1） opts ：参数设置 N ：解决方案数量/人口规模（所有方法） T ：最大迭代次数（对于所有方法） k ：K -值在K -nearest邻居 输出 Acc ：验证模型的准确性 FS ：特征选择模型（包含多个结果） sf ：所选sf索引 ff ：所选功能 nf

(GA工具箱索引)Genetic algorithms in control systems engineering.pdf

基于BP神经网络的数据预测仿真,BP网络自己用m文件编程实现,没有使用MATLAB的神经网络工具箱+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

在VC中利用COM组件调用MATLAB神经网络工具箱.doc

利用位置式PID控制算法实现对恒温箱的控制.doc

特征选择库（FSLib 2018）是一个广泛适用的MATLAB特征选择（属性或变量选择）库，能够减少高维问题，最大限度地提高数据模型的准确性，自动决策规则的性能以及减少数据获取成本。 * FSLib 于 2017 年获得 MATLAB 颁发的 MATLAB Central Coin。 如果您就这个工具箱给我们一些反馈，我们将不胜感激。 我们重视您的意见并欢迎您的评价。 如果您使用我们的工具箱（或其中包含的方法），请考虑引用： [1] Roffo, G.、Melzi, S.、Castellani, U. 和 Vinciarelli, A.，2017 年。无限潜在特征选择：基于概率潜在图的排名方法。 arXiv 预印本 arXiv:1707.07538。 [2] Roffo, G.、Melzi, S. 和 Cristani, M.，2015 年。无限特征选择。 在 IEEE 计算机视觉国际会

本资源为MATLAB相机标定工具箱，下载导入MATLAB后可进行相机标定，获取相机内参矩阵和相机畸变系数等。