资源列表
wangzhan
- 这是关于matlab的网络使用教程，文件夹里面全部是网络连接。-This is a tutorial on using matlab network, network folder, which are all connected.
v3(1)
- 该代码可以实现神经网络对信号的训练以及测试，应用部分是对ASK,2ASK,PSK,4PSK,FSK,4FSK的等的识别-Neural networks, neural networks, function, simulation, neural network, function
WNN
- 多种小波神经网络,程序完整，实现函数逼近功能-A variety of wavelet neural network, integrity of the process to achieve function approximation function
BP
- matlab开发的BP神经网络模型，经过调试，运行正常！-matlab BP neural network model developed through commissioning, operating normally!
som
- 自组织特征映射神经网络，实现聚类分类功能-Self-organizing feature map neural network, to achieve clustering classification
logpolar
- Log-polar resampling of an image, and back-sampling to retinal plane
1
- 基于遗传算法的PID算法参数研究 以自然选择和基因遗传理论为基础,将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合,在问题解空间内进行全局并行、随机的搜索,其结果是向全局最优方向收敛.GA 模仿生物进化的步骤,引入繁殖,交叉,变异等算子. 繁殖是在父母代种群中将适应度较高的个体选择出来,根据适者生存原理,淘汰适应度较低的个体,以优化种群 交叉是从种群中随机地抽取一对个体,并随机地选择一位交叉位进行交叉,生成新样本,达到增大搜索空间的目的 变异是模仿生物的基因突变,为了防止繁
rw4r23er
- 以自然选择和基因遗传理论为基础,将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合,在问题解空间内进行全局并行、随机的搜索,其结果是向全局最优方向收敛.GA 模仿生物进化的步骤,引入繁殖,交叉,变异等算子. 繁殖是在父母代种群中将适应度较高的个体选择出来,根据适者生存原理,淘汰适应度较低的个体,以优化种群 交叉是从种群中随机地抽取一对个体,并随机地选择一位交叉位进行交叉,生成新样本,达到增大搜索空间的目的 变异是模仿生物的基因突变,为了防止繁殖和交叉丢失重要的遗传信息 它对
34523-
- 以自然选择和基因遗传理论为基础,将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合,在问题解空间内进行全局并行、随机的搜索,其结果是向全局最优方向收敛.GA 模仿生物进化的步骤,引入繁殖,交叉,变异等算子. 繁殖是在父母代种群中将适应度较高的个体选择出来,根据适者生存原理,淘汰适应度较低的个体,以优化种群 交叉是从种群中随机地抽取一对个体,并随机地选择一位交叉位进行交叉,生成新样本,达到增大搜索空间的目的 变异是模仿生物的基因突变,为了防止繁殖和交叉丢失重要的遗传信息 它对
5436546
- 以自然选择和基因遗传理论为基础,将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合,在问题解空间内进行全局并行、随机的搜索,其结果是向全局最优方向收敛.GA 模仿生物进化的步骤,引入繁殖,交叉,变异等算子. 繁殖是在父母代种群中将适应度较高的个体选择出来,根据适者生存原理,淘汰适应度较低的个体,以优化种群 交叉是从种群中随机地抽取一对个体,并随机地选择一位交叉位进行交叉,生成新样本,达到增大搜索空间的目的 变异是模仿生物的基因突变,为了防止繁殖和交叉丢失重要的遗传信息-GA
6756745
- 以自然选择和基因遗传理论为基础,将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合,在问题解空间内进行全局并行、随机的搜索,其结果是向全局最优方向收敛.GA 模仿生物进化的步骤,引入繁殖,交叉,变异等算子. 繁殖是在父母代种群中将适应度较高的个体选择出来,根据适者生存原理,淘汰适应度较低的个体,以优化种群 交叉是从种群中随机地抽取一对个体,并随机地选择一位交叉位进行交叉,生成新样本,达到增大搜索空间的目的 变异是模仿生物的基因突变-GA in power system
lclzy
- 自己编写的简单遗传算法，希望对大家有用！-I have written a simple genetic algorithm, we want to be useful!