搜索资源列表
optipid
- 现有的PID参数优化方法往往难以同时兼顾系统对快速性、稳定性与鲁棒性的要求，本文针对这一缺陷，提出了一种多目标PID优化设计方法——在满足系统的鲁棒性的前提下，以超调量、上升时间和调整时间最小作为多目标优化的子目标，并将NSGA-Ⅱ与PGA相结合对其求解。该算法求得的Pareto最优解分布均匀，收敛性和鲁棒性好，决策者可根据实际系统的要求在Pareto解集中选择最终的满意解，这为快速性、稳定性与鲁棒性的权衡分析提供了有效的工具。仿真结果表明本文设计方法的有效性和优越性。
C-CDocument
- 对混沌时间序列相空间重构C—C方法的三点不足，提出了一种基于改进的C-c方法的 确定曩优时延与嵌入窗的新算法．在关联积分计算过程中引入了权衡计算精度与速度的可调参数， 合理选择试参数，能在不严重损失估计精度的前提下，大大加快计算速度。在理论分析的基础上， 用所提出的算法对三种混沌序列进行相空间重构，仿真结果表明该算法对最优时延的选择更准确， 对最优嵌入窗的选取更可靠。-Of chaotic time series phase space reconstruction method
pro_2
- 用局部参数最优化方法设计一个模型参考自适应系统,可调增益的初值Kc(0)=0.2，给定值r(t)为单位阶跃信号，即r(t)=A×1(t)。 要求： 1把连续系统离散化(采样时间可取0.1)。 2编制并运行这个系统的计算机程序(注意调整B值，使系统获得较好的自适应特性)。 3记录ym、yp的曲线 记录kp×kc的曲线 记录广义输出误差e的变化曲线。 4在参数收敛后，让Kp=2变为Kp=1，重新观察Kp×Kc及e的变化曲线。 5找出在确定的B值下，使系统不稳定的A值(阶跃信号
Fenbu_plot
- 齿轮形状可调，可分布不同齿形，大大节约作图时间，希望大家支持改进-The gear shape adjustable spread toothed significant savings plotting time, I hope you will support improved
AmplitudeFrequencyDiagram_Program
- 杜芬系统跳跃现象 小参数 时间步长 以点或线画图可调-Duffing jumping phenomenon, the small parameter can be modulated and the time step can be set by yourself
rbf
- RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。(RBF network