1.1从现实对象到数学模型 1.2数学建模的重要意义 1.3数学建模示例 1.4数学建模的方法和步骤 1.5数学模型的特点和分类 1.6怎样学习数学建模

一、传统建模理论与数据开采问题 二、“从一般到简单”约化建模型理论 三、非嵌套假设检验 四、约化模型的准则

5.1ML概述 5.2通用模型元素 5.3用例建模 5.4静态建模 5.5动态建模 5.6实现模型

◆ 5.1 结构化需求分析的由来 ◆ 5.2 结构化分析模型的组成 ◆ 5.3 数据建模 ◆ 5.4 功能建模 ◆ 5.5 行为建模 ◆ 5.6 数据词典 ◆ 5.7 软件需求规格说明书

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求

本章讲述 Verilog HDL中的结构建模方式。结构建模方式用以下三种实例语句描述: Gate实例语句 UDP实例语句 Module实例语句

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%

数学模型概迷 1、绪论 2、数学模型 3、数学建模过程 4、数学建模示例123 5、建立数学模型的方法和步骤 6、数学模型的分类

第一节 有关自然数的几个模型 第二节 状态转移问题 第四节 比例与函数建模

一、什么是数学模型? 二、数学建模的一般步骤