搜索资源列表
TIERRA
- 地球模拟器，最经典的人工生命模型,研究人工智能的必看。一般地说，生命都具有新陈代谢、复制和进化的能力。在自然界中，生物是由有限的食物供给和有限的生存空间约束的。在Tierra中，“生物”由一系列能够自我复制的机器代码或程序组成，它在计算机中的复制分别受到计算机的存储空间和CPU时间约束。能有效地占有内存空间和利用CPU时间的生物体，将具有更高的适应度，传递到下一代的机会就越大。 在Tierra中，计算机的RAM（随机访问存储器）中有一块专门的空间，这个空间中放置了一个“祖先有机体”，该祖先有
非线性的概念、性质及其哲学意义
- 非线性的概念、性质及其哲学意义,对理解世界的本质问题有帮助-nonlinear concept, the nature and significance of philosophy to understand the nature of the world help
复杂性探索与控制论发展
- 复杂性探索与控制论发展，对理解复杂性有所帮助-complexity of exploration and development of control theory, the right understanding of the complex nature help
Intelligentbuaa
- 自动控制理论是人类在了解自然和改造自然的过程中逐渐形成的一门学科。简单反馈控制的最早应用，可以追溯到古代亚历山大时期的克泰希比斯水钟，它就是利用反馈原理来调节流量的。19世纪中叶，J.C.麦克斯威尔对具有调速器的蒸汽机（这也利用了反馈原理来调速）系统进行了稳定性的研究。20世纪20年代，布莱克、奈奎斯特和波德在贝尔实验室的一系列研究工作奠定了经典自动控制（反馈）的理论基础------ -automatic control theory is the understanding of huma
hcwpc02_wang
- 基于遗传算法的资源调度算法 论文性质 英文原版-based on genetic algorithm Resource Scheduling Algorithm nature of the English original papers
ss_nature_smallworld
- nature上的经典文章，被引次数俞2000次，揭示广泛的small-world共有的动态机制
svm_v0.55beta
- 最新的支持向量机工具箱，有了它会很方便 1. Find time to write a proper list of things to do! 2. Documentation. 3. Support Vector Regression. 4. Automated model selection. REFERENCES ========== [1] V.N. Vapnik, \"The Nature of Statistical Learning Theory\", Springer-Verl
pos-study-
- ：将研究区域划分成许多具有固定长、宽、高且密度均匀的长方体，利用重力的可叠加性，计算了观测点重力异 常，在此基础上形成重力异常的目标函数。把长方体的密度作为参数，采用蚁群算法进行密度反演试验。结果表明该方法 具有一定的科学性和实用性。-: The study area is divided into a number with a fixed length, width, height and density, uniform rectangular, stackable nature
BP
- delphi 2005下编译通过。支持变学习率。具有通用性，传递函数可自己写（动态调用）-delphi 2005 adopted under the compiler. Support variable learning rate. With the general nature of the transfer function can write their own (dynamic invocation)
shengtai432
- 按自然法则计算的一个新分支：确定性退火技术 解决Job Shop调度问题的模拟退火算法改进-Calculated in accordance with the laws of nature a new branch: deterministic annealing to solve the Job Shop scheduling problem to improve the simulated annealing algorithm
matlab-n-net-tl
- 神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网 络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能-A single neural network is a collection of parallel processing elements, we have been inspired by biological nervous system. In nature, the network function of a decisi
Artificial_neural_network_and_siulation
- 人工神经网络原理及仿真实例，可以形象的演示各种网络模型的一些应用或性质-Artificial neural network and simulation ， demonstrate the various networks can be the image of the model or the nature of some applications
GA
- Genetic Algorithm simulate nature evolution on computer programming-Genetic Algorithm
Pulsed-Neural-Networks
- Neurons use action potentials to signal over long distances, as summarized in Chapter 1 by Gerstner. The all-or-none nature of the action potential means that it codes information by its presence or absence, but not by its size or shape. In this
KnapsacksProblem
- 本程序将遗传算法应用于背包问题。借助了大自然的演化过程,是多线索而非单线索的全局优化方法,采用的是种群和随机搜索机制. -This procedure will be applied to knapsack problem genetic algorithm. With the evolution of nature, is more than a single clue leads the global optimization method, using population and ran
nature-ecs-machine-learning.ps
- pattern recognition algorithm and implementation
shenjingwangluo
- 运用自组织竞争网络来完成岩石性质的识别，以此为背景，训练神经网络，并进行分类。-The use of self-organizing nature of competition in the network to complete the identification of rock, as a background, training neural networks and classification.
ga-PID
- 遗传算法是1962年由美国Michigan大学的Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法[1-3]， 在自动控制领域中得到了越来越广泛的应用。该文引入了“稳定区域算法”求取闭环系统稳定的PID控制器参数区间，并以此算法的计算结果限定进 化算法的参数寻优区间，通过仿真试验取得了令人满意的控制效果。-Genetic Algorithms is proposed by the University of Michigan’s Professor
GAppt
- 遗传算法，非常强大的思想，适用于优化BP网络，这个是入门级资料，对于认识算法本质有非常大帮助。 -Genetic algorithm, a very powerful idea, for optimization of BP network, this is the entry-level data, algorithms for understanding the nature of a very big help.
nature-deep-learning
- 世界顶级杂志《自然》，针对人工智能的深度学习进行的最全面综合论述，以及对未来深度学习及神经网络的发展预测，值得一读！-The world s top magazine nature , for the depth of artificial intelligence to learn the most comprehensive exposition, as well as the future development of deep learning and neural network p