很经典很实用目录：第一章连续的小波变换1．1连续小波变换的定义1．2与短时傅里叶变换的比较1．3连续小波变换的一些性质1．4小波变换的反演及对基本小波的要求1．5连续小波变换的计算机实现与快速算法1．6几种常用的基本小波1．7应用举例第二章尺度及位移均离散化的小波变换2．1离散α，γ栅格下的小波变换2．2标架(frame)概念2．3小波标架2．4应用举例第三章多分辨率分析与离散序列的小波变换3．1概述3．2多分辨率信号分解与重建的基本概念3．3尺度函数和小波函数的一些重要性质3．4由多分辨率分析引出多采样率滤波器组3．5Mallat算法实现中的一些问题3．6离散序列的小波变换3．7金字塔结构的数据编码第四章多采样率滤波器组与小波变换4．1概述4．2多采样率信号处理的一些基本关系4．3双通道多采样率滤波器的理想重建条件4．4多采样率滤波器组的两种一般表示法4．5正交镜像滤波器组与共轭正交滤波器组4．6正交滤波器组的设计4．7二项式小波滤波器组4．8对滤波器组参数与连续时间小渡变换关系的进一步讨论4．9Daubechies小波4．10IIR型的正交滤波器组和小波4．1l双正交滤波器组与双正交小波4．12滤波器组理想重建条件的时域表示式及其设计第五章二维小波变换及其用于图像处理5．1概述5．2二维图像的多分辨率分析：可分离情况5．3五株排列(quincunx)的多分辨率分析5．4应用举例5．5二维连续小波变换第六章小波变换用于表征信号的突变(瞬态)特征6．1概述6．2基本原理6．3几种检测局部性能常用的小波6．4．用小波变换极大值在多尺度上的变化来表征信号奇异点的性质6．5用二维小波变换作图像上物体边沿的检测6．6应用举例6．7用小波变换的过零点来表征信号6．8由小波变换的奇异点重建信号6．9仿真计算第七章小波包与时一频平面的铺砌7．1概述7．2小波包的定义与主要性质7．3最优小波包基的选择7．4自适应小波包分解7．5最优小波包作自适应切换时瞬态的抑制——时变滤波器组方法7．6关于时间一频率平面的自适应铺砌7．7基本小波的优化设计7．8小波变换在不同基函数间的换算第八章小波变换与分形信号的分析8．1概述8．2关于分形的简述8．31过程的小波分析8．4确定性的自相似过程8．51过程的信号处理8．6分数布朗运动与分数高斯噪声8．7小波变换用于其他分形问题简介附录1过程或FBM的产生第九章运动物体回波信号的宽带处理9．1概述9．2回波信号的宽带模型9．3针对宽带回波的小波变换处理9．4运动系统特性的多尺度表征结束语参考文献

神经网络的原版英文论文，作者为S.Haykin，第二版，包括感知器，径向基函数，支撑向量机，主元素分析等，非常详细。
写英文文章首选参考文献！注意：原文件>20M，这里分拆成两个，必须都下载才能解压

第一章连续的小波变换1．1连续小波变换的定义1．2与短时傅里叶变换的比较1．3连续小波变换的一些性质1．4小波变换的反演及对基本小波的要求1．5连续小波变换的计算机实现与快速算法1．6几种常用的基本小波1．7应用举例第二章尺度及位移均离散化的小波变换2．1离散α，γ栅格下的小波变换2．2标架(frame)概念2．3小波标架2．4应用举例第三章多分辨率分析与离散序列的小波变换3．1概述3．2多分辨率信号分解与重建的基本概念3．3尺度函数和小波函数的一些重要性质3．4由多分辨率分析引出多采样率滤波器组3．5Mallat算法实现中的一些问题3．6离散序列的小波变换3．7金字塔结构的数据编码第四章多采样率滤波器组与小波变换4．1概述4．2多采样率信号处理的一些基本关系4．3双通道多采样率滤波器的理想重建条件4．4多采样率滤波器组的两种一般表示法4．5正交镜像滤波器组与共轭正交滤波器组4．6正交滤波器组的设计4．7二项式小波滤波器组4．8对滤波器组参数与连续时间小渡变换关系的进一步讨论4．9Daubechies小波4．10IIR型的正交滤波器组和小波4．1l双正交滤波器组与双正交小波4．12滤波器组理想重建条件的时域表示式及其设计第五章二维小波变换及其用于图像处理5．1概述5．2二维图像的多分辨率分析：可分离情况5．3五株排列(quincunx)的多分辨率分析5．4应用举例5．5二维连续小波变换第六章小波变换用于表征信号的突变(瞬态)特征6．1概述6．2基本原理6．3几种检测局部性能常用的小波6．4用小波变换极大值在多尺度上的变化来表征信号奇异点的性质6．5用二维小波变换作图像上物体边沿的检测6．6应用举例6．7用小波变换的过零点来表征信号6．8由小波变换的奇异点重建信号6．9仿真计算第七章小波包与时一频平面的铺砌7．1概述7．2小波包的定义与主要性质7．3最优小波包基的选择7．4自适应小波包分解7．5最优小波包作自适应切换时瞬态的抑制——时变滤波器组方法7．6关于时间一频率平面的自适应铺砌7．7基本小波的优化设计7．8小波变换在不同基函数间的换算第八章小波变换与分形信号的分析8．1概述8．2关于分形的简述8．3过程的小波分析8．4确定性的自相似过程8．5过程的信号处理8．6分数布朗运动与分数高斯噪声8．7小波变换用于其他分形问题简介

RadialBasisFunction径向基函数插值Matlab代码另有C版本，请搜索本人的分享

径向基函数（RadialBasisFunctions，以下简称RBF）在数值和科学计算等领域被广泛应用，例如解微分方程、人工神经网络、曲面重建、计算机辅助设计、计算机图形学和多元插值等。
RBF插值方法不受输入参数的限制，可以进行高维插值。

【新能源微电网】新能源微电网是由分布式电源、储能设备、能量转换装置等组成的微型发配电系统，能够在独立或并网状态下运行，具有自我控制、保护和管理能力。
它结合了新能源发电，如太阳能和风能，以提高能源利用率，尤其在偏远地区提供电力供应。
然而，新能源的不稳定性给微电网的运行带来了挑战，如发电量预测和电网管理的困难。
【人工智能神经网络】人工神经网络是人工智能的核心组成部分，模拟生物神经网络结构，用于解决复杂问题，如信息处理和学习。
在新能源微电网领域，神经网络主要用于处理非线性和复杂的预测任务，如风力发电量和电力负荷的预测。
主要的神经网络分词法有：神经网络专家系统分词法和神经网络分词法，前者结合了神经网络的自学特性与专家系统的知识，后者通过神经网络的内在权重来实现正确分词。
【RBF神经网络】径向基函数（RBF）神经网络是神经网络的一种，常用于预测任务。
它由输入层、隐藏层和输出层组成，其中隐藏层使用RBF作为激活函数，实现输入数据的非线性变换，从而适应复杂的数据模式。
在微电网中，RBF神经网络用于短期负荷预测，能有效处理非线性关系，降低外部因素对预测的干扰。
【微电网短期负荷预测】短期负荷预测对于微电网的能量管理和运行优化至关重要。
通过构建RBF神经网络模型，可以预测未来一定时间内的负荷变化。
预测模型的建立通常需要选择与负荷密切相关的输入数据，如时间、气温、风速等，并进行数据预处理。
MATLAB等工具可用于进行网络训练和仿真，以生成预测结果。
【风力发电预测】RBF神经网络同样适用于风力发电量的预测。
通过对风速、气压等相关因素的预测，可以估算微电网系统的风力发电潜力，帮助维持系统的稳定运行，减少风电波动对微电网的影响。
总结来说，人工智能神经网络，尤其是RBF神经网络，为解决新能源微电网中的挑战提供了有效工具。
通过精确预测新能源发电量和电力负荷，可以优化微电网的运行效率，确保其稳定性和自给自足的能力。
此外，这种技术还能促进可再生能源的有效利用，有助于推动能源行业的可持续发展。

为了提高风电功率的预测精度，研究了一种基于粒子滤波（ＰＦ）与径向基函数（ＲＢＦ）神经网络相结合的风电功率预测方法。
使用ＰＦ算法对历史风速数据进行滤波处理，将处理后的风速数据结合风向、温度的历史数据，归一化后构成风电功率预测模型的新的输入数据；
利用处理后的新的输入数据和输出数据，建立ＰＦ－ＲＢＦ神经网络预测模型，预测风电场的输出功率。
仿真结果表明，使用该预测模型进行风电功率预测，预测精度有一定的提高，连续１２０ｈ功率预测的平均绝对百分误差达到８．０４％，均方根误差达到１０．６７％

本地实测可以很好的运行，使用K-means聚类算法确定径向基函数的中心点

Lecture.径向基函数(RBF).pdf

需要自行下载matrix.h文件，可以直接运行，得出插值估计值与实际值比较的结果。

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。