Matlab关于粒子滤波代码与卡尔曼做比较-粒子滤波代码与卡尔曼做比较.rar
部分程序如下：
function ParticleEx1
% Particle filter example, adapted from Gordon, Salmond, and Smith paper.
x = 0.1; % initial state
Q = 1; % process noise covariance
R = 1; % measurement noise covariance
tf = 50; % simulation length
N = 100; % number of particles in the particle filter
xhat = x;
P = 2;
xhatPart = x;
% Initialize the particle filter.
for i = 1 : N
xpart = x sqrt * randn;
end
xArr = [x];
yArr = [x^2 / 20 sqrt * randn];
xhatArr = [x];
PArr = [P];
xhatPartArr = [xhatPart];
close all;
for k = 1 : tf
% System simulation
x = 0.5 * x 25 * x / 8 * cos) sqrt * randn;%状态方程
y = x^2 / 20 sqrt * randn;%观测方程
% Extended Kalman filter
F = 0.5 25 * / ^2;
P = F * P * F' Q;
H = xhat / 10;
K = P * H' * ^;
xhat = 0.5 * xhat 25 * xhat / 8 * cos);%预测
xhat = xhat K * ;%更新
P = * P;
% Particle filter
for i = 1 : N
运行结果：
Figure39.jpg
2021-11-09 15:53:31
14KB
1
极限学习机ELM是一类Single-hidden Layer Feedforward Neural Network（SLFNs）算法，由Huang等基于 Moore-Penrose 广义逆的理论提出，主要针对SLFNs中存在的学习速率慢，迭代时间长，学习参数如学习步长、学习率需要人为提前设置等问题。与传统的神经网络学习算法相比，ELM只需要设置合适的隐层节点数，随机生成隐层所需所有参数，利用最小二乘法确定输出层权值。整个学习过程只需一步而无需多次更新隐层参数。正是因为ELM算法的快速学习能力以及较强的非线性逼近能力等特点，使得ELM在实际应用中受到了研究者们的青睐。
本代码给出了实现正则化极限学习机（RELM）、在线学习的极限学习机（OS-ELM）、带遗忘机制的在线学习极限学习机（FOS-ELM）使用python进行了实现，并基于一个简单的数据集对三种算法进行了比较，并比较了不同隐藏层节点对性能的影响。
2021-11-02 20:00:35
1.96MB
Matlab的BP神经网络和RBF神经网络的仿真比较-BP神经网络和RBF神经网络的仿真比较.rar
BP神经网络和RBF神经网络的仿真比较，很不错的！！！
2021-10-07 00:33:56
2KB
1
总结
创建用时
Hash=list < json <内存表
读取用时
json < Hash <内存表
2021-06-25 10:00:31
624KB
1