基于高斯径向基函数的神经网络的PID控制，分为系统模块，神经网络模块，高斯径向基函数神经网络的S函数实现。
2024/6/2 5:17:53
9KB
1
本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
2024/5/15 2:02:19
536KB
1
InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（多元回归法）RadialBasisFunction（径向基函数法）TriangulationwithLinearInterpolation（线性插值三角网法）MovingAverage（移动平均法）LocalPolynomial（局部多项式法）"＞InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（?[更多]
2024/3/3 17:18:33
30KB
1
为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（RadicalBasisFunction，RBF）和神经网络光伏发电功率预测模型。
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
2024/2/20 1:51:04
838KB
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