全书共分12章，内容包括线性直流电路分析、电路定理、正弦稳态电路分析、三相电路、谐振电路、非正弦周期电流电路、线性动态电路的时域分析、线性动态电路的复频域分析、网络图论和形态方程、二端口网络、非线性电路、均匀传输线。
每章分为名师辅导、考研真题详解和考研试题精选三部分。
附录还提供了哈尔滨工业大学等几所著名高校近两年电路课程的考研试题9套。
试题均给出参考答案及部分提示。

论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文

在研究自抗扰控制技术的基础上，以MATLAB/SIMULINK为仿真平台，编写M_Funtion程序实现特殊非线性函数、应用S_Funtion定制跟踪微分器和扩张状态观测器等新型动态系统模块、利用子系统封装技术完成控制律组合和常用自抗扰控制器算法，按照模块化建模思想，创建了用户自定义的自抗扰控制器模块库。
通过串级调速自抗扰控制系统的仿真实例，说明利用该模块库，实现了自抗扰控制技术的图形化建模，参数设置修改直观方便，而且创建方法简单易行、可扩充性强，不只为自抗扰控制技术的仿真研究提供了有效工具，并且对相关领域的仿真模型库扩建具有参考价值。

这是看过的所有鲁棒教材中，讲解最为详细的一本，由浅入深。
（请勿用于商用）内容简介:本书主要介绍现代鲁棒控制理论的基本设计思想及其前沿领域的理论与应用成果，具体内容包括三个部分。
第一部分介绍有关基础知识，包括数学基础、稳定性、有界性和收敛性的基本定理、具有不确定性的系统的描述方法以及鲁棒稳定与鲁棒功能准则的条件；
第二部分介绍线性及非线性鲁棒控制的理论成果，其中线性鲁棒控制集中介绍以h。
控制以及ｕ设计等为代表的经典理论；
非线性鲁棒控制则主要介绍鲁棒镇定和鲁棒l设计，鲁棒自适应控制的基础理论与前沿成果；
第三部分分别介绍上述理论成果在机械系统、电力及电力电子等系统中的设计实例。
　　本书可以作为自动控制和电气工程专业的研究生教材，也可供从事上述专业的科研人员和工程技术人员参考。

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上出版的，部分章节涉及了常见的优化算法（遗传算法、粒子群算法等）与神经网络的结合问题。
《MATLAB神经网络43个案例分析》可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。
《MATLAB神经网络43个案例分析》共有43章目录如下：第1章BP神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归--非线性函数回归的实现第8章GRNN网络的预测----基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类预测——意大利葡萄酒种类识别第15章SVM的参数优化——如何更好的提升分类器的功能第16章基于SVM的回归预测分析——上证指数开盘指数预测.第17章基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第18章基于SVM的图像分割-真彩色图像分割第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用第21章自组织竞争网络在模式分类中的应用—患者癌症发病预测第22章SOM神经网络的数据分类--柴油机故障诊断第23章Elman神经网络的数据预测----电力负荷预测模型研究第24章概率神经网络的分类预测--基于PNN的变压器故障诊断第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选第26章LVQ神经网络的分类——乳腺肿瘤诊断第27章LVQ神经网络的预测——人脸朝向识别第28章决策树分类器的应用研究——乳腺癌诊断第29章极限学习机在回归拟合及分类问题中的应用研究——对比实验第30章基于随机森林思想的组合分类器设计——乳腺癌诊断第31章思维进化算法优化BP神经网络——非线性函数拟合第32章小波神经网络的时间序列预测——短时交通流量预测第33章模糊神经网络的预测算法——嘉陵江水质评价第34章广义神经网络的聚类算法——网络入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化计算——建模自变量降维第37章基于灰色神经网络的预测算法研究——订单需求预测第38章基于Kohonen网络的聚类算法——网络入侵聚类第39章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现第41章定制神经网络的实现——神经网络的个性化建模与仿真第42章并行运算与神经网络——基于CPU/GPU的并行神经网络运算第43章神经网络高效编程技巧——基于MATLABR2012b新版本特性的探讨

与病虫有关的后期因子较多,而且很复杂。
其中气象因子与病虫害关系密切。
不过,气象因子与病虫害的关系并非线性关系

权威经典！本资源是自顺应信号处理经典教材的配套matlab程序。
全书共17章，系统全面、深入浅出地讲述了自顺应信号处理的基本理论与方法，充分反映了近年来该领域的新理论、新技术和新应用。
内容包括：自顺应LMS横向滤波器、自顺应格型滤波器、自顺应递归滤波器、频域和子带自顺应滤波器、盲自顺应滤波器、神经网络非线性自顺应滤波器等及其在通信与信息系统中的应用。

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

经典非线性系统教材(中文翻译),包含目录和书签.手工制作目录,可跳转.适合各种电子阅读器.高清无水印.本书内容按照数学知识的由浅入深分成了四个部分。
基本分析部分引见了非线性系统的基本概念和基本分析方法；
反馈系统分析部分引见了输入-输出稳定性、无源性和反馈系统的频域分析；
现代分析部分引见了现代稳定性分析的基本概念、扰动系统的稳定性、扰动理论和平均化以及奇异扰动理论；
非线性反馈控制部分引见了反馈控制的基本概念的反馈线性化，并给出了几种非线性设计工具，如滑模控制、李雅普诺夫再设计、反步法、基于无源的控制和高增益观测器等。
全书已根据作者2011年2月所发勘误表进行了内容更正。

非线性系统经典教材美国密歇根大学电气与计算机工程专业研讨生教材

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。