针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

小波变换函数matlab代码适用于Python的双树复数小波变换库 该库支持在Python中计算1D，2D和3D双树复数小波变换及其逆运算。 可在线获得。 安装 Ubuntu 15.10（wily）和更高版本 可以通过apt-get进行安装： $ sudo apt-get install python-dtcwt python-dtcwt-doc 该软件包当前也位于Debian sid中（不稳定）。 其他作业系统 安装dtcwt的最简单方法是通过easy_install或pip ： $ pip install dtcwt 如果要查看最新的开发版本，请查看。 签出后，安装将基于setuptools并遵循Python项目的常规约定： $ python setup.py install （尽管如果您打算对库进行任何重大修改，尽管developer命令可能更有用。）提供了一个测试套件，以便您可以验证代码在您的系统上是否有效： $ pip install -r tests/requirements.txt $ py.test 这还将把测试覆盖率信息写入cover/目录。 进一步的文件 有在线可用

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