《面向MATLAB工具箱的神經網絡理論與應用》利用目前國際上流行通用的MATLAB 7.0環境，結合神經網絡工具箱4.0.6版本，分別從網絡構造、基本原理、學習規則以及訓練過程和應用局限性幾個方面，通過多層次、多方面的分析與綜合，深入淺出地介紹了人工神經網絡中的各種典型網絡，以及各種不同神經網絡之間在原理和特性等方面的不同點與相同點。
上傳時間： 2014-01-07
上傳用戶：ayfeixiao
神經網絡方面的書：《人工神經網絡原理及仿真實例》，書中有在matlab中的仿真實例。
上傳時間： 2014-01-10
上傳用戶：qiaoyue
介紹了matlab常見問題，用于人工神經網絡的BP算法
標簽： matlab
上傳時間： 2013-12-22
上傳用戶：yulg
實現RLS的matlab程序，并繪出了w隨n變換的曲線
上傳時間： 2017-05-24
上傳用戶：tfyt
g a w k或GNU awk是由Alfred V. A h o，Peter J.We i n b e rg e r和Brian W. K e r n i g h a n于1 9 7 7年為U N I X創建的a w k編程語言的較新版本之一。a w k出自創建者姓的首字母。a w k語言（在其所有的版本中）是一種具有很強能力的模式匹配和過程語言。a w k獲取一個文件（或多個文件）來查找匹配特定模式的記錄。當查到匹配后，即執行所指定的動作。作為一個程序員，你不必操心通過文件打開、循環讀每個記錄，控制文件的結束，或執行完后關閉文件。
上傳時間： 2014-01-02
上傳用戶：hwl453472107
I=imread('fig1.jpg');%從D盤名為myimages的文件夾中讀取。格式為jpg的圖像文件chost J=imnoise(I,'salt & pepper',0.02);%給圖像加入均值為0，方差為0.02的淑鹽噪聲 subplot(2,4,1); imshow(I); title('原始圖像'); subplot(2,4,2); imshow(J); title('加入椒鹽噪聲之后的圖像'); %h=ones(3,3)/9; %產生3 × 3的全1數組 %B=conv2(J,h); %卷積運算 %采用MATLAB中的函數對噪聲干擾的圖像進行濾波 Q=wiener2(J,[3 3]); %對加噪圖像進行二維自適應維納濾波 P=filter2(fspecial('average',3),J)/255; %均值濾波模板尺寸為3 K1=medfilt2(J,[3 3]); %進行3 × 3模板的中值濾波 K2= medfilt2(J,[5 5]); %進行5 × 5模板的中值濾波 K3= medfilt2(J,[7 7]); %進行7 × 7模板的中值濾波 K4= medfilt2(J,[9 9]); %進行9 × 9模板的中值濾波 %顯示濾波后的圖像及標題 subplot(2,4,3); imshow(Q); title('3 × 3模板維納濾波后的圖像'); subplot(2,4,4); imshow(P); title('3 × 3模板均值濾波后的圖像'); subplot(2,4,5); imshow(K1); title('3 × 3模板的中值濾波的圖像'); subplot(2,4,6); imshow(K2); title('5 × 5模板的中值濾波的圖像'); subplot(2,4, 7); imshow(K3); title('7 × 7模板的中值濾波的圖像'); subplot(2,4,8); imshow(K4); title('9 × 9模板的中值濾波的圖像');
上傳時間： 2016-06-02
上傳用戶：wxcr_1
基于傳感器和模糊規則的機器人在動態障礙環境中的智能運動控制基于傳感器和模糊規則的機器人在動態障礙環境中的智能運動控制 oIlI～0(、r> 王 敏 金·波斯科 黃心漢 ，O、l、L (華i 面面辜寫j幕．武漢，43074) ＼I。L上、o 捌要：提出了一種基于傳感器和模糊規則的智能機器人運動規劃方法 ．該方法運用了基于調和函數分析的人 工勢能 場原 理 ．采用模糊規則 可減少推導勢能函數所 必須的計算 ，同時給機器人伺服 系統發 出指令 ，使它能夠 自動 地尋找通向目標的路徑．提出的方法具有簡單、快速的特點，而且能對 n自由度機械手的整個手臂實現最碰．建立 在非線性機器人動力學之上的整 個閉環系統和模糊控制器 的穩定性 由李雅普諾 夫原理 保證 ．仿真結 果證明 了該方 法 的有效性 ，通 過比較分析顯示 出文 中所提 出的最障算法的優越性 ． 美t詞：基于傳感器的機器人運動控制；模糊規則；人工勢能場；動態避障；機器人操作手 1 叫啞oducd0n R。boIsarewjdelyusedfor詛sb inchasma~ia]b柚· 血 ， spot ： ng， spray Ijl岫 1g， mech卸icaland elec咖 icas搴enlb1y，ma al塒 IIovaland wa時 cut· ring 咖 ． ofsuch tasks_堋 llldea pri|柚ary ptd 眥 of 她 ar0botto e oncpositiontoanother withoutbur叩inginto anyobstacles． s 曲km，de． notedasthefDbotm ∞ pJan，liDgp∞ 舶1，hasbeen the倒 娜bj0ct鋤l哪gIeseat℃ll∞ ． Every method o0血∞rI1ing 如b0tmotionplanninghas itsownadv∞ngesandapplicationdoma~ asweftasits di戤ldvaIIta麟 and constr~dnts． Therefore it would be ratherdifficulteithertoc0Ⅱ】paremethodsorton~ vate thechoio~ofan dl0‘iupon othP~s． 0州 d眥 ：1999—07—29；Revised~ ：2000一∞ 一絲 In conU~astto many n~ hods，rob
上傳時間： 2022-02-15
上傳用戶：
隨著人類社會的進步，科學技術的發展日新月異，模擬人腦神經網絡的人工神經網絡已取得了長足的發展。經過半個多世紀的發展，人工神經網絡在計算機科學，人工智能，智能控制等方面得到了廣泛的應用。當代社會是一個講究效率的社會，科技更新領域也是如此。在人工神經網絡研究領域，算法的優化顯得尤為重要，對提高網絡整體性能舉足輕重.BP神經網絡模型是目前應用最為廣泛的一種神經網絡模型，對于解決非線性復雜問題具有重要的意義。但是BP神經網絡有其自身的一些不足（收斂速度慢和容易陷入局部極小值問題），在解決某些現實問題的時候顯得力不從心。針對這個問題，本文利用遺傳算法的并行全局搜索的優勢，能夠彌補BP網絡的不足，為解決大規模復雜問題提供了廣闊的前景。本文將遺傳算法與BP網絡有機地結合起來，提出了一種新的網絡結構，在穩定性、學習性和效率方面都有了很大的提高。基于以上的研究目的，本文首先設計了BP神經網絡結構，在此基礎上，應用遺傳算法進行優化，達到了加快收斂速度和全局尋優的效果。本文借助MATLAB平臺，對算法的優化內容進行了仿真實驗，得出的效果也符合期望值，實現了對BP算法優化的目的。關鍵詞：生物神經網絡：人工神經網絡；BP網絡；遺傳算法；仿真隨著電子計算機的問世及發展，人們試圖去了解人的大腦，進而構造具有人類思維的智能計算機。在具有人腦邏輯推理延伸能力的計算機戰勝人類棋手的同時，引發了人們對模擬人腦信息處理的人工神經網絡的研究。1.1研究背景人工神經網絡（Artificial Noural Networks，ANN）（注：簡稱為神經網絡），是一種數學算法模型，能夠對信息進行分布式處理，它模仿了動物的神經網絡，是對動物神經網絡的一種具體描述。這種網絡依賴系統的復雜程度，通過調節內部大量節點之間的關系，最終實現信息處理的目的。人工神經網絡可以通過對輸入輸出數據的分析學習，掌握輸入與輸出之間的潛在規則，能夠對新數據進行分析計算，推算出輸出結果，因為人工神經網絡具有自適應和自學習的特性，這種學習適應的過程被稱為“訓練"。
上傳時間： 2022-06-16
上傳用戶：jiabin
在早期階段，直流調速系統在傳動領域中占統治地位。然而，從60年代后期開始，交流電動機在工業應用領域正在取代直流電動機，交流傳動變得越來越經濟和受歡迎。永磁交流伺服系統作為電氣傳動領域的重要組成部分，在工業、農業、航空航天等領域發揮越來越重大的作用。永磁同步電動機以其特點廣泛應用于中小功率傳動場合，成為研究的重要領域。然而，永磁同步電動機具有較大的轉動脈動，而對于這些應用場合，轉矩平滑通常是基本要求。因此，對永磁交流伺服系統的應用，必須考慮其轉矩脈動的抑制問題。本文針對電機傳動系統中參數變化對電機性能的影響，以永磁同步電機為例，圍繞如何通過參數辨識來提高永磁同步電動機的控制性能，借助自行開發的全數字永磁交流伺服系統平臺，對永磁同步電動機的磁場定向控制，參數辨識，神經網絡和擴展卡爾曼濾波在控制系統中的應用，抑制轉矩脈動，提高系統性能幾個方面展開深入的研究。 本文從永磁同步電動機及其控制系統的基本結構出發，對通過參數辨識抑制轉矩脈動進行了較為細致的分析。針對不同情況，通過改進電機的控制系統，提出了多種參數辨識方法。主要內容如下： 1、基于定子磁鏈方程，建立了永磁同步電動機的一般數學模型。經坐標變換，得出在靜止兩相（α—β）坐標系和旋轉兩相（d—q）坐標系下永磁同步電動機電壓方程和轉矩方程。 2、分析了永磁同步電動機id=0矢量控制系統的工作原理，介紹了永磁同步電動基于磁場定向的矢量控制的基本概念。經對永磁同步電動機系統進行分析，推導并建立了id=0控制時整個電機系統的數學模型。 3、基于超穩定性理論的模型參考自適應控制原理，設計了一種模型參考自適應控制系統，考慮電機參數的時變性，對永磁交流伺服系統的繞組電阻和電機負載轉矩辨識進行了研究，以保持系統的動態性能。利用Matlab/Simulink建立仿真模型，對控制性能進行了驗證，仿真實驗證明這種方法的可行性。 4、人工神經網絡具有很強的學習性能，經過訓練的多層神經網絡能以任意精度逼近非線性函數，因此為非線性系統辨識提供了一個強有力的工具。本章針對永磁同步電機提出了一種以電機輸出轉速為目標函數的神經網絡控制方案，同時應用人工神經網絡理論建立和設計了負載轉矩擾動辨識的算法以及相應的控制系統的補償方法，并應用MATLAB軟件進行了計算機仿真，仿真證明和傳統的控制方法相比，以電機輸出轉速為指導值和目標函數的神經網絡控制方案能有效地提高神經網絡的收斂速度，能有效地改善控制系統的動態響應，具有跟蹤性能好和魯棒性較強等優點。 5、電機的參數會隨著溫升和磁路飽和發生變化，需進行在線實時辨識。本文利用電機的定子電流、電壓和轉速，采用遞推最小二乘法進行在線參數辨識，該方法不需要觀測的磁鏈信號，消除了磁鏈觀測和參數辨識的耦合。電機狀態方程由于存在狀態變量的乘積項，對電機參數辨識以后，仍然是非線性方程，為了對電機狀態方程進行狀態估計，得到電機的參數辨識值，本文采用擴展卡爾曼濾波進行狀態估計，對以上方法的仿真實驗得到了滿意的結果。 6、本文基于數字電機控制專用DSP自行開發了全數字永磁交流伺服系統平臺，通過軟件實現擴展卡爾曼濾波對電阻和磁鏈的估計，以及基于磁場定向的空間矢量控制算法，獲得了令人滿意的實驗結果，證明擴展卡爾曼濾波算法對電阻和磁鏈的實時估計是很準確的，由此構成的永磁交流伺服系統具有良好的靜、動態性能。
上傳時間： 2013-07-28
上傳用戶：鳳臨西北
異步電機無速度傳感器矢量控制技術提高了交流傳動系統的可靠性，降低了系統的實現成本。準確辨識電機轉速是實現無速度傳感器矢量控制的關鍵。 本文對無速度傳感器矢量控制系統進行了研究，建立了異步電動機無速度傳感器電壓解耦矢量控制系統和基于模型參考自適應(MRAS)的無速度傳感器矢量控制系統。基于MRAS的無速度傳感器矢量控制系統利用電動機定子電壓方程和電流方程得到電動機轉速的模型參考自適應辨識算法，在此基礎上建立了一個改進的變參數MRAS速度辨識數學模型，并利用Matlab軟件對基于該速度辨識模型的無速度傳感器異步電動機矢量控制系統在不同的情況下進行了詳細的仿真研究。仿真結果驗證了該改進的變參數MRAS速度辨識模型具有令人滿意的辨識精度和動態性能。 基于MRAS的轉速估算理論從本質上來說屬于基于電機理想模型的轉速估算方案，該方法依賴于電機參數，而電機參數在電機運動過程中變化很大，因而給出了對電機的一些定、轉子參數進行實時辨識方法，以保持系統的動、靜態性能。 在傳統型模型參考自適應系統基礎上，將系統中原有的自適應調節機構用一個具有在線學習能力的人工神經網絡取代，提出一種基于神經網絡的異步電機轉速估計方法，并給出了速度估計器的神經網絡結構和學習算法。最后對基于神經網絡轉速估計的異步電機矢量控制系統進行了仿真，結果表明該系統具有良好的性能。 簡單介紹了基于DSP的異步電機無速度傳感器矢量控制系統的硬件結構以及軟件系統的設計。
上傳時間： 2013-05-30
上傳用戶：hakim
