本数据来自真实试验台的故障数据，包括点蚀、断齿等各种类型的故障数据。

内容是设计的一款基于matlabGUI的齿轮箱振动数据分析系统。
这是初版，后面还有另一款加入更多特征提取和神经网络分析的综合版本。

目录第1章线性神经网络的工程应用1.1系统辨识的MATLAB实现1.2自适应系统辨识的MATLAB实现1.3线性系统预测的MATLAB实现1.4线性神经网络用于消噪处理的MATLAB实现第2章神经网络预测的实例分析2.1地震预报的MATLAB实现2.1.1概述2.1.2地震预报的MATLAB实例分析2.2交通运输能力预测的MATLAB实现2.2.1概述2.2.2交通运输能力预测的MATLAB实例分析2.3农作物虫情预测的MATLAB实现2.3.1概述2.3.2农作物虫情预测的MATLAB实例分析2.4基于概率神经网络的故障诊断2.4.1概述2.4.2基于PNN的故障诊断实例分析2.5基于BP网络和Elman网络的齿轮箱故障诊断2.5.1概述2.5.2基于BP网络的齿轮箱故障诊断实例分析2.5.3基于Elman网络的齿轮箱故障诊断实例分析2.6基于RBF网络的船用柴油机故障诊断2.6.1概述2.6.2基于RBF网络的船用柴油机故障诊断实例分析第3章BP网络算法分析与工程应用3.1数值优化的BP网络训练算法3.1.1拟牛顿法3.1.2共轭梯度法3.1.3LevenbergMarquardt法3.2BP网络的工程应用3.2.1BP网络在分类中的应用3.2.2函数逼近3.2.3BP网络用于胆固醇含量的估计3.2.4模式识别第4章神经网络算法分析与实现4.1Elman神经网络4.1.1Elman神经网络结构4.1.2Elman神经网络的训练4.1.3Elman神经网络的MATLAB实现4.2Boltzmann机网络4.2.1BM网络结构4.2.2BM网络的规则4.2.3用BM网络解TSP4.2.4BM网络的MATLAB实现4.3BSB模型4.3.1BSB神经模型概述4.3.2BSB的MATLAB实现第5章预测控制算法分析与实现5.1系统辨识5.2自校正控制5.2.1单步输出预测5.2.2最小方差控制5.2.3最小方差间接自校正控制5.2.4最小方差直接自校正控制5.3自适应控制5.3.1MIT自适应律5.3.2MIT归一化算法第6章改进的广义预测控制算法分析与实现6.1预测控制6.1.1基于CARIMA模型的JGPC6.1.2基于CARMA模型的JGPC6.2神经网络预测控制的MATLAB实现第7章SOFM网络算法分析与应用7.1SOFM网络的生物学基础7.2SOFM网络的拓扑结构7.3SOFM网络学习算法7.4SOFM网络的训练过程7.5SOFM网络的MATLAB实现7.6SOFM网络在实际工程中的应用7.6.1SOFM网络在人口分类中的应用7.6.2SOFM网络在土壤分类中的应用第8章几种网络算法分析与应用8.1竞争型神经网络的概念与原理8.1.1竞争型神经网络的概念8.1.2竞争型神经网络的原理8.2几种联想学习规则8.2.1内星学习规则8.2.2外星学习规则8.2.3科荷伦学习规则第9章Hopfield神经网络算法分析与实现9.1离散Hopfield神经网络9.1.1网络的结构与工作方式9.1.2吸引子与能量函数9.1.3网络的权值设计9.2连续Hopfield神经网络9.3联想记忆9.3.1联想记忆网络9.3.2联想记忆网络的改进9.4Hopfield神经网络的MATLAB实现第10章学习向量量化与对向传播网络算法分析与实现10.1学习向量量化网络10.1.1LVQ网络模型10.1.2LVQ网络学习算法10.1.3LVQ网络学习的MATLAB实现10.2对向传播网络10.2.1对向传播网络概述10.2.2CPN网络学习及规则10.2.3对向传播网络的实际应用第11章NARMAL2控制算法分析与实现11.1反馈线性化控制系统原理11.2反馈线性控制的MATLAB实现11.3NARMAL2控制器原理及实例分析11.3.1NARMAL2控制器原理11.3.2NARMAL2控制器实例分析第12章神经网络函数及其导函数12.1神经网络的学习函数12.2神经网络的输入函数及其导函数12.3神经网络的性能函数及其导函数12.3.1性能函数12.3.2性能函数的导函数第13章Simulink神经网络设计13.1Simulink交互式仿真集成环境13.1.1Simulink模型创建1

原创Matlab的BP网络用于齿轮箱的故障诊断-BP_net.m做的一个比较简单BP网络应用于齿轮箱故障诊断的例子，跟大家分享以下

采用小波阈值法对齿轮箱毛病信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱毛病信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。
利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱毛病特征频率。

线性神经网络，BP神经网络，Hopfield神经网格，Elman神经网络，RBF神经网络；
在模型应用模块中实现了六种实际应用：RBF网络的船用柴油机毛病诊断，BP网络的齿轮箱毛病诊断，SOM网络的回热系统毛病诊断，BP网络的设备状态分类器，SOM网络的人口比例样本分类，SOM网络的土壤性状样本分类

基于稀疏成分分析的欠定盲源分离技术在风力发电机齿轮箱轴承毛病特征提取中的应用

实验室采集的齿轮箱毛病数据，可供大家做信号分析和分类，以及学术方面的分析

•精准的位置控制依照输入脉冲的数量，确定轴转动的角度。
位置误差非常小（小于1/10度），且不累积。
•精确的转速步进电机的转速取决于输入电脉冲的频率，可以实现精确控制和方便调节。
因而被广泛地应用于各种运动控制领域。
•正向/反向转动，急停及锁定功能在整个速度范围内都可以实现对电机力矩和位置的有效控制，包括静力矩。
在电机锁定状态下（电机绕组中存在电流，而外部没有旋转的脉冲指令输入），仍然保持一定的力矩输出。
•低转速条件下的精准位置控制步进电机不需要借助齿轮箱的调节，就可以在非常低的转速下平稳运行，同时输出较大的力矩，避免了功率的损耗和角度位置偏差，同时降低了成本，节省了空间。
•更长的使用寿命步进电机的无电刷设计保证了电机的使用寿命很长。
步进电机的寿命通常取决于轴承。

该资源为PHM2009年应战赛的齿轮箱振动数据，内含数据的使用说、数据采集视频以及相关机械结构的实物图，可供科研人员使用

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。