本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练

深度学习(DeepLearning)是近年来提出的一种利用具有多个隐层的深度神经网络(DeepNeuralNetwork,DNN)完成学习任务的机器学习方法。
其实质是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到更有用的特征,进而提升模型预测或分类的准确性。
与以往的浅层神经网络的不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层),还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰富的内在信息。

西瓜书学习笔记，用Xmind做的记录，里面包括线性模型、神经网络、决策树、SVM、贝叶斯、EM、聚类、降维、半监督、强化等

关于倒立摆的控制，用了神经网络来实现PID控制，并比较了一下

针对超短期负荷预测周期短，要求预测速度快的特点，构建了基于稳健回归和回声状态网络的超短期负荷预测方法。
回声状态网络作为一种递归神经网络，其隐含层为一个储备池，并且通过线性回归训练网络，从而具有映射复杂动态系统的能力和训练快速的特点，能较好地满足超短期负荷预测的要求。
考虑到异常负荷数据的影响，将稳健回归运用于网络训练阶段，以削弱异常值的影响，从而提升预测的精度。
通过算例验证了所提方法的可行性和有效性。

1基于遗传算法的TSP算法（王辉）2基于遗传算法和非线性规划的函数寻优算法（史峰）3基于遗传算法的BP神经网络优化算法（王辉）4设菲尔德大学的MATLAB遗传算法工具箱（王辉）5基于遗传算法的LQR控制优化算法（胡斐）6遗传算法工具箱详解及应用（胡斐）7多种群遗传算法的函数优化算法（王辉）8基于量子遗传算法的函数寻优算法（王辉）9多目标Pareto最优解搜索算法（胡斐）10基于多目标Pareto的二维背包搜索算法（史峰）11基于免疫算法的柔性车间调度算法（史峰）12基于免疫算法的运输中心规划算法（史峰）13基于粒子群算法的函数寻优算法（史峰）14基于粒子群算法的PID控制优化算法（史峰）15基于混合粒子群算法的TSP寻优算法（史峰）16基于动态粒子群算法的动态环境寻优算法（史峰）17粒子群算法工具箱（史峰）18基于鱼群算法的函数寻优算法（王辉）19基于模拟退火算法的TSP算法（王辉）20基于遗传模拟退火算法的聚类算法（王辉）21基于模拟退火算法的HEV能量管理策略参数优化（胡斐）22蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊）23基于蚁群算法的二维路径规划算法（史峰）24基于蚁群算法的三维路径规划算法（史峰）25有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊）26有导师学习神经网络的分类——鸢尾花种类识别（郁磊）27无导师学习神经网络的分类——矿井突水水源判别（郁磊）28支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）29支持向量机的回归拟合——混凝土抗压强度预测（郁磊）30极限学习机的回归拟合及分类——对比实验研究（郁磊）

基于GA-BP混合算法的多边形模糊神经网络参数优化。

反演控制方法与实现《反演控制方法与实现》系统地介绍了反演控制方法的基本原理及其在不确定非线性系统中的应用。
《反演控制方法与实现》共分为6章，在介绍反演法的一般理论的基础上，重点论述了抑制参数漂移的自适应反演方法，考虑非线性干扰观测器的弱抖振滑模反演方法，针对系统模型部分未知的情况，使用模糊系统和神经网络估计系统中的未知部分，给出了基于智能系统的反演设计方法，同时本书介绍了系统状态未知情况下的反演设计方法。
针对各种情况本书均给出了详细的理论设计方法和Matlab仿真。
　《反演控制方法与实现》是作者在从事控制理论与控制方法研究的基础上完成的。
本书适用于从事非线性控制方法研究的工作人员和研究生参考。
前言第1章绪论1·1研究的背景及意义1·2李雅普诺夫稳定性理论1·2·1李雅普诺夫意义下的稳定性1·2·2有界性1·2·3李雅普诺夫稳定性理论1·3微分几何理论基础1·3·1李导数和李括号1·3·2微分同胚1·3·3控制系统的相对阶1·3·4输入状态线性化1·3·5状态反馈线性化的设计1·4反演法的基本原理1·5反演法的研究概况1·5·1自适应反演控制1·5·2鲁棒自适应反演控制1·5·3滑模反演控制1·5·4智能反演控制1·5·5其他反演控制方法1·6本书的主要研究内容第2章自适应反演控制方法2·1引言2·2常规自适应反演法2·2·1自适应反演法设计思路2·2·2仿真算例2·3抑制参数漂移的自适应反演控制2·3·1问题描述及预备知识2·3·2抑制参数漂移的自适应反演控制器设计2·3·3系统稳定性分析2·3·4仿真算例2·4扩展的自适应反演控制2·4·1问题描述2·4·2参数自适应律的设计2·4·3基于动态面的扩展反演控制器设计2·4·4稳定性分析2·4·5仿真算例2·5仿真算例的Matlab实现2·5·1节仿真算例的Matlab实现2·5·2节仿真算例的Matlab实现2·5·3节仿真算例的Matlab实现2·6本章小结第3章不确定非线性系统的弱抖振滑模反演控制3·1引言3·2滑模控制基本原理3·3匹配不确定非线性系统的弱抖振滑模反演控制3·3·1问题描述3·3·2滑模反演控制器设计3·3·3滑模反演控制稳定性分析3·3·4自适应滑模反演控制器设计3·3·5自适应滑模反演控制稳定性分析3·3·6非线性干扰观测器3·3·7匹配不确定非线性系统的弱抖振滑模反演控制3·3·8仿真算例3·4非匹配不确定非线性系统的多滑模反演控制3·4·1问题描述3·4·2多滑模反演控制3·4·3基于非线性干扰观测器的多滑模反演控制3·4·4系统稳定性分析3·4·5仿真算例3·5仿真算例的Matlab实现3·5·1节弱抖振滑模反演控制的Matlab实现3·5·2节自适应弱抖振滑模反演控制Matlab实现3·5·3节多滑模反演控制Matlab实现3·6本章小结第4章基于模糊系统的非线性系统反演控制4·1引言4·2基于模糊系统的非线性系统控制4·2·1问题的提出4·2·2模糊系统描述4·2·3控制器设计4·2·4仿真算例4·3节Matlab实现4·4本章小结第5章基于神经网络的非线性系统反演控制5·1引言5·2非线性系统的鲁棒小波神经网络控制5·2·1问题的提出5·2·2小波神经网络结构5·2·3控制器的设计5·2·4稳定性分析5·2·5仿真5·3不确定非线性系统的鲁棒自适应渐近跟踪控制5·3·1控制目标5·3·2控制器设计5·3·3仿真算例5·4算例的Matlab实现5·4·1节算例的Matlab实现5·4·2节算例1的Matlab实现5·4·3节算例2的Matlab实现5·5本章小结第6章基于状态观测器的反演控制器设计6·1滑模观测器控制器设计6·1·1滑模观测器设计6·1·2滑模反演控制器设计6·2仿真算例6·3节仿真实例的Matlab实现6·4本章小结参考文献

前馈神经网络及其应用.pdf

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。