点击切换搜索课件文库搜索结果(258)
文档格式:PPT 文档大小:2.1MB 文档页数:187
本章要求: ❖ 掌握C语句、C语言程序的结构关系; ❖ 理解算法及算法的表示; ❖ 掌握顺序结构程序设计 ❖ 掌握选择控制语句——if语句、switch语句以及他们的嵌套应用; ❖ 掌握循环控制语句——for语句、while语句、do…while语句以及他们的嵌套应用; ❖ 掌握break语句、continue语句的应用; ❖ 能够运用3种结构进行综合程序设计。 4.1 C语句结构 4.2 算法及算法的表示 4.3 顺序结构 4.4 选择结构 4.5 循环结构 4.6 其它控制语句 4.7 应用程序举例
文档格式:PDF 文档大小:410.18KB 文档页数:5
介绍一类智能模糊控制算法及其在电加热炉中的应用。实时控制结果表明:它比一般PID控制算法具有超调小,响应快和精度高的特点
文档格式:PPT 文档大小:7.76MB 文档页数:113
5.1 网络层设计要点 5.2 路由算法 5.3 拥塞控制算法 5.4 服务质量 5.5 网络互联 5.6 Internet上的网络层
文档格式:PDF 文档大小:638.81KB 文档页数:8
针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性
文档格式:PDF 文档大小:514.75KB 文档页数:24
教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性,以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法,给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法,神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进,反馈网络的结构、学习算法。 3. 神经网络 PID 控制
文档格式:PDF 文档大小:476.36KB 文档页数:5
将模糊控制思想引人到遗传算法中,进行交叉概率Pc和变异概率Pm的整定工作,并在此基础上提出了一种基于模糊控制的遗传算法——模糊遗传算法.仿真结果表明:该算法不仅能提高解的质量,而且能加速解的收敛速度
文档格式:PDF 文档大小:536.46KB 文档页数:5
针对多变量耦合系统,提出了一种新的广义预测解耦控制算法.通过广义预测误差权值自动调节以消除系统耦合引起的误差,从而降低系统的耦合影响,提高系统性能.该方法与常规的多变量广义预测控制算法相比,算法简单,计算量小.本文所设计的算法被应用到热轧带钢板形板厚控制系统中,仿真结果表明了该算法的有效性和正确性
文档格式:PDF 文档大小:418.15KB 文档页数:27
10.1 拥塞和拥塞控制概述 10.1.1 拥塞现象的发生 10.1.2 拥塞和拥塞控制的基本概念 10.1.3 互联网中拥塞发生的原因 10.1.4 拥塞控制的目标 10.2 TCP 拥塞控制机制研究 10.2.1 互联网的网络模型 10.2.2 线性拥塞控制机制 10.2.3 线性拥塞控制机制评价 10.3 端到端拥塞控制算法研究 10.3.1 端到端拥塞控制算法设计的困难 10.3.2 端到端拥塞控制算法的研究概况 10.3.3 拥塞控制的源算法 10.3.4 拥塞控制的链路算法
文档格式:PDF 文档大小:1.14MB 文档页数:8
将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法
文档格式:PDF 文档大小:510.23KB 文档页数:5
针对一般LMS自适应滤波算法在对系统建模时存在的初始收敛速度、时变系统跟踪能力及收敛精度三个指标难于协调的问题,提出了变论域变步长的LMS自适应滤波算法,并利用李亚普诺夫函数证明了算法的收敛性.研究结果表明,该算法在对系统建模时可以同时兼顾上述三个指标,可用于控制领域的系统及其逆系统建模
上页12345678下页末页
热门关键字
搜索一下,找到相关课件或文库资源 258 个  
©2008-现在 cucdc.com 高等教育资讯网 版权所有