摘要—本文首次解决了这个问题一类不确定随机变量的自适应输出反馈控制方法时变时滞的非线性严格反馈系统使用神经网络（NNs）。
圆判据适用于设计一个非线性观测器，没有线性增长条件取决于系统状态，将其强加于非线性函数。
假设系统中存在时变延迟输出，仅采用NN来补偿所有未知数非线性项取决于延迟输出，因此，提出的控制算法比现有的算法更简单描述了不确定系统的NN反推控制方案用常微分方程举三个例子证明在中提出的控制方案的有效性这篇报告。
圆判据适用于设计一个非线性观测器，没有线性增长条件取决于系统状态，将其强加于非线性函数。
假设系统中存在时变延迟输出，仅采用NN来补偿所有未知数非线性项取决于延迟输出，因此，提出的控制算法比现有的算法更简单描述了不确定系统的NN反推控制方案用常微分方程举三个例子证明在中提出的控制方案的有效性这篇报告。
2024/8/9 16:53:57
287KB
1
算法是建立在离线传播模型下，不考虑多径效应，反射，折射等对信号强度有损耗的情况，算法中选用了NN,KNN,WKNN等几种常用的指纹定位算法。
2024/7/30 11:25:27
3KB
1
机器学习入门到精通50天，python代码编写，1.数据预处理2.简单线性回归3.多元线性回归4.逻辑回归5.k近邻法(k-NN)6.支持向量机(SVM)7.决策树8.随机森林9.K-均值聚类10.层次聚类
2024/7/23 1:49:07
83B
1
针对神经网络算法在当前PM2．5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题，引入RFR（randomforestregression，随机森林回归）算法，分析气象条件、大气污染物浓度和季节所包含的22项特征因素，通过调整参数的最优组合，设计出一种新的PM2．5浓度预测模型——RFRP模型。
同时，收集了西安市2013--2016年的历史气象数据，进行模型的有效性实验分析。
实验结果表明，RFRP模型不仅能有效预测PM2．5浓度，还能在不影响预测精度的同时，较好地提升模型的运行效率，其平均运行时间为O．281S，约为BP-NN（backpropagationneuralnetwork，BP神经网络）预测模型的5．88％。
同时，收集了西安市2013--2016年的历史气象数据，进行模型的有效性实验分析。
实验结果表明，RFRP模型不仅能有效预测PM2．5浓度，还能在不影响预测精度的同时，较好地提升模型的运行效率，其平均运行时间为O．281S，约为BP-NN（backpropagationneuralnetwork，BP神经网络）预测模型的5．88％。
2024/3/5 9:44:07
1.18MB
1
包含了GA-BP算法、K-NN分类器、Q学算法、RLS算法、非线性动态权重系数w优化的基于罚函数的粒子群算法的函数寻优、分形盒算法、Dijkstra算法、基于GA算法的函数拟合、prim最小树生成算法、蚁群aco优化算法、引力搜索优化算法、细菌觅食优化算法。
全部为本人手敲，现在分享给大家。
全部为本人手敲，现在分享给大家。
2024/2/23 7:56:20
199KB
1
1．技术数据：直流电动机：PN=3KW,UN=220V,IN=17.5A,nN=1500r/min,Ra=1.25Ω堵转电流Idbl=2IN,截止电流Idcr=1.5IN，GD2=3.53N.m2三相全控整流装置：Ks=40,Rrec=1.3Ω平波电抗器：RL=0.3Ω电枢回路总电阻R=2.85Ω，总电感L=200mH,电动势系数：(Ce=0.132V.min/r)系统主电路：(Tm=0.16s，Tl=0.07s)滤波时间常数：Toi=0.002s,Ton=0.01s,其他参数：Unm*=10V,Uim*=10V,Ucm=10V，σi≤5%,σn≤102．技术指标稳态指标：无静差（静差率s≤10%,调速范围D≥20）动态指标：转速超调量δn≤10%，电流超调量δi≤5%，动态速降Δn≤10%，调速系统的过渡过程时间（调节时间）ts≤0.5s
2023/12/13 12:49:48
689KB
1
算法是建立在离线传播模型下，不考虑多径效应，反射，折射等对信号强度有损耗的情况，算法中选用了NN,KNN,WKNN等几种常用的指纹定位算法。
2023/9/2 11:48:20
4KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB