bp神经网络，N 11 //学习样本个数 #define IN 5 //输入层神经元数目 #define HN 8 //隐层神经元数目 #define HC 3 //隐层层数 #define ON 3 //输出层神经元数目
标签： 神经网络
上传时间： 2013-11-26
上传用户：rocketrevenge
基于BP神经网络的 参数自学习控制 （1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值 和 ，选定学习速率 和惯性系数 ，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数 ， ， ； （4）根据(3.34)计算PID控制器的输出u(k)； （5）进行神经网络学习，在线调整加权系数 和 ，实现PID控制参数的自适应调整； （6）置k=k+1，返回（1）。
上传时间： 2016-04-26
上传用户：无聊来刷下
给于MATLAB 环境下的非线性滤波器。此设计中用到了，混合网络建模。B样条网络和对角递归神经元网络。
上传时间： 2014-01-10
上传用户：gyq
基于MATLAB实现的说话人识别程序，分别用bp、pnn、som、rbf、lvq等算法，对语音文件进行训练和测试，效果不错。~..~ 下面说明一下bprengong程序： 数据分别用来训练和测试两部分。 具体程序分为两部分，第一部分为：计算识别模型 变量v是mfcc处理以后的矢量。因为数据可能长短不一，所以放在同一进行截取。p的每一行代表一个语音数据（共15个）。变量Pr为每一行的最大最小值。变量T为目标值。输出神经元个数为15。 在训练阶段，如果用于训练的输入训练样本的类别标号为i（即语音数据的标号），则训练时设第i个节点的期望输出设为1。其余节点期望输出均为0。 在识别时，当一个未知类别的样本作用到输入端时，考查各输出节点的输出，并将这个样本的类别判定为输出值最大的那个节点对应的类别。
上传时间： 2016-05-23
上传用户：钓鳌牧马
介绍神经PID控制，包括：基于神经元网络、BP神经网络、RBF神经网络等PID整定的讲解和相关的源代码
上传时间： 2013-12-16
上传用户：edisonfather
详细的介绍了先进PID多变量解耦控制，及基于单神经元和DRNN神经元的PID解耦控制，内有详尽的源代码
上传时间： 2014-11-26
上传用户：FreeSky
matlab的pid控制程序，单神经元自适应PID控制
上传时间： 2016-06-03
上传用户：aappkkee
本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用变步长算法,一般不需人工设置. 4.输入层数目: 人工神经网络的输入层神经元的节点数目. 5.隐含层数目: 人工神经网络的隐含层神经元的节点数目. 6.输出层数目: 人工神经网络的输出层神经元的节点数目. 7.训练算法: 强烈建议选取Levenberg-Marquardt算法,该算法经过测试比较稳定. 8.激活函数: 不同的网络激活函数表现的性能不同,可根据实际情况选择. 9.样本数据的处理: 由于程序没有实现归一化功能, 因此用来训练的样本数据首先要归一化后才能进行训练.
标签： Levenberg-Marquardt 程序 状态 样本
上传时间： 2013-12-19
上传用户：firstbyte
详细说明：手写识别源码，具备fisher、网格识别、神经元辨别的
上传时间： 2014-12-06
上传用户：stampede
在LON网程序设计中使用Neuron C语言。Neuron C是一种基于ANSIC且带有网络通信和高级硬件设备接口扩展语句的高级语言。它增加了对I/O、事件处理、消息传递和分散数据目标的支持， 扩充了包括软定时器、网络变量、显示消息、一个多任务调度程序以及其它各具特点的函数等。采用Neuron C语言开发的应用程序，可直接在Lonbuilder神经元仿真器上进行调试，因此应用程序的开发可独立于硬件设计进行
上传时间： 2013-12-20
上传用户：dragonhaixm
