搜索资源列表
ARMA-Java--master
- ARIMA模型是通过将预测对象随时间推移而形成的数据序列当成一个随机序列，进而用一定的数学模型来近似表述该序列。根据原序列是否平稳以及回归中所包含部分的不同分为AR、MA、ARMA以及ARIMA过程。 在模型的使用过程中需要根据时间序列的自相关函数、偏自相关函数等对序列的平稳性进行判别；而对于非平稳序列一般都需要通过差分处理将其转换成平稳序列（ARIMA）；对得到的平稳序列进行建模以确定最佳模型（AR、MA、ARMA或者ARIMA）。在使用中最重要也是最关键的就是对序列进行参数估计，以检验其
MATLAB simulation.zip
- 第1~5章主要内容为：绪论、系统辨识、模型参考自适应控制、自校正控制（包括广义预测控制）、基于常规控制策略的自校正控制等，每种算法都配有MATLAB仿真程序、仿真结果以及对仿真结果的简要分析；第6章详细介绍了基于可视化编程工具VB和Delphi的系统辨识与自适应控制的仿真技术。(System identification and adaptive control matlab simulation)
PSO
- 实现 %1、利用RGB模型识别天空区域；2、利用边缘识别检测天空边缘分割线；3、利用预测边缘点和实际边缘点的周围区域的均值滤波与本边缘点下方的像素之间的差异大小来修正天空边缘分割线 %4、将sky_seg+depthmap_v2中多余的带注释的地方删掉了 %！！！记得在295行，一定要改动是用I6还是I7，如果用sky_initia(f = edge(double(BW),'canny',thresh,sigma);)
arimanet
- ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法[1] ，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳
work
- matlab补偿模糊神经网络源代码 本文中有两个函数m文件：model126.m是一个用于预测的完全没有用工具箱函数的补偿模糊神经网络主程序，用于仿真、对比训练数据和网络输出的差异；cb.m是一个非线性系统的数学模型，在model126.m中用“ode45”函数求解这个数学模型后，可以得到105个x1(t)、x2(t)和y(t)，从而建立起一个两输入一输出的补偿模糊神经网络。(There are two function m file in this paper: model126.m is
源程序Maltab在数学建模中的应用卓金武等
- 上篇介绍数学建模中常规方法的matlab实现，包括matlab交互、数据建模、程序绘图、灰色预测、规划模型等方法；还介绍了各种高级方法的matlab实现，包括遗传算法、粒子群算法、模拟退火算法、人工神经网络、小波分析、动态仿真、数值模拟等。下篇以真实的数学建模赛题为案例，介绍了如何用matlab求解实际的数学建模问题，给出了详细的建模过程和程序(The introduction of conventional methods of mathematical modeling in matlab
TMD2.05
- matlab 潮汐分析工具箱，用于潮汐模拟计算；能计算相关模型；包括两部分：1是用户界面编程2是预测潮汐等((TMD (Tide Model Driver)TMD is a Matlab package for accessing the harmonic constituents for the ESR/OSU family of high-latitude tide models, and for making predictions of tide height and currents.
拟合神经网络数学建模
- 4. 曲线拟合的用户图形界面求法 Matlab 工具箱提供了命令cftool，该命令给出了一维数据拟合的交互式环境。具体 执行步骤如下： （1）把数据导入到工作空间； （2）运行cftool，打开用户图形界面窗口； （3）对数据进行预处理； （4）选择适当的模型进行拟合； （5）生成一些相关的统计量，并进行预测。 分类: 数学建模