本课程为精品课，您可以登录eeworld继续观看： 智能控制系统概论 3.模糊逻辑系统继续观看 课时1：课程介绍 课时2：智能控制系统概论 1.自动控制系统 课时3：智能控制系统概论 2.计算智能 课时4：智能控制系统概论 3.模糊逻辑系统 课时5：智能控制系统概论 4.演化计算 课时6：智能控制系统概论 5.类神经网络 课时7：模糊集合 1.明确集合 课时8：模糊集合 2.模糊集合 课时9：模糊集合 3.模糊集合之基本概念 课时10：模糊集合 4.模糊归属函数 课时11：模糊集合 5.模糊集合之运算 课时12：模糊逻辑 1.明确关系 课时13：模糊逻辑 2.模糊关系 课时14：模糊逻辑 3.扩展原理 课时15：模糊逻辑 4.语言变数 课时16：模糊逻辑 5.模糊规则 课时17：模糊逻辑 6.模糊推论 课时18：模糊控制系統(一) 1. 模糊推论系统 课时19：模糊控制系統(一) 2. Matlab程式编写 课时20：模糊控制系統(一) 3.冷气机之模糊控制 课时21：模糊控制系統(一) 4. 洗衣机之模糊控制 课时22：模糊控制系統(一) 5. Sugeno模糊模型 课时23：模糊控制系統(二) 1. 直流马达模糊控制 课时24：模糊控制系統(二) 2. 倒立摆模糊控制 课时25：模糊控制系統(二) 3. 倒车入库模糊控制 课时26：模糊控制系統(二) 4. 机器人模糊控制 课时27：T-S模糊控制系統(一) 1. T-S模糊模型 课时28：T-S模糊控制系統(一) 2. 平行分布补偿 课时29：T-S模糊控制系統(一) 3. 李雅普诺夫稳定定理 课时30：T-S模糊控制系統(一) 4. 闭回路T-S模糊系統稳定定理 课时31：T-S模糊控制系統(一) 5. 闭回路T-S模糊系统稳定定理 课时32：T-S模糊控制系统(二) 1. 线性矩阵不等式 课时33：T-S模糊控制系统(二) 2. 衰退率T-S模糊控制器设计 课时34：T-S模糊控制系统(二) 3. 倒立摆T-S模糊控制 课时35：T-S模糊控制系统(二) 4. 双向充放电器T-S模糊控制 课时36：T-S模糊控制系统(二) 5. 机器人T-S模糊控制 课时37：二进位基因演算法(一) 1. 梯度下降法 课时38：二进位基因演算法(一) 2. 基因演算法特性 课时39：二进位基因演算法(一) 3. 二进位编码与解码 课时40：二进位基因演算法(一) 4. 初始族群 课时41：二进位基因演算法(一) 5. 适应函数 课时42：二进位基因演算法(二) 1. 天择运算 课时43：二进位基因演算法(二) 2. 交配运算 课时44：二进位基因演算法(二) 3. 突变运算 课时45：二进位基因演算法(二) 4. 菁英政策 课时46：二进位基因演算法(二) 5. 基因演算法之参数分析 课时47：基于基因演算法之控制系统 1. 基于基因演算法之函数极值 课时48：基于基因演算法之控制系统 2. 控制系统时域响应与PID控制器 课时49：基于基因演算法之控制系统 3. 基于基因演算法之最佳PID控制 课时50：基于基因演算法之控制系统 4. 基于基因演算法之强健PID控制 课时51：进阶基因演算法 1. 实数型基因演算法 课时52：进阶基因演算法 2. 基于实数型基因演算法之控制系统 课时53：进阶基因演算法 3. 格雷编码 课时54：进阶基因演算法 4.适应函数线性缩放 课时55：进阶基因演算法 5. 适应函数标准差縮放 课时56：基于粒子群最佳化法之控制系统 1. 粒子群最佳化法之原理 课时57：基于粒子群最佳化法之控制系统 2. 基于粒子群最佳化法之函数极值 课时58：基于粒子群最佳化法之控制系统 3. 粒子群最佳化法之参数分析 课时59：基于粒子群最佳化法之控制系统 4. 基于粒子群最佳化法之PID控制 课时60：基于粒子群最佳化法之控制系统 5. 基于粒子群最佳化法之强健PID控制 课时61：基于演化计算之模糊控制系统 1. 主轴马达伺服系統 课时62：基于演化计算之模糊控制系統 2. 基于基因演算法之模糊控制 课时63：基于演化计算之模糊控制系統 3. 机械手臂控制系統 课时64：基于演化计算之模糊控制系统 4. 基于基因演算法之T-S模糊控制 课时65：基于演化计算之模糊控制系統 5. 基磁浮控制系統 课时66：基于演化计算之模糊控制系統 6. 基于粒子群最佳化法之T-S模糊控制 课时67：单层类神经网络 1. 类神经元模型 课时68：单层类神经网络 2.感知机 课时69：单层类神经网络 3. 感知机应用案例 课时70：单层类神经网络 4. 适应线性元件 课时71：单层类神经网络 5. 适应线性元件应用范例 课时72：多层类神经网络 1. 多层神经网络架构 课时73：多层类神经网络 2. 反向传播算法 课时74：多层类神经网络 3. XOR闸 课时75：多层类神经网络 4. 函数近似 课时76：多层类神经网络 5. 多层神经网络应用范例 课时77：类神经网络控制系统(一) 1. 类神经网络控制系统 课时78：类神经网络控制系统(一) 2.类神经网络模式预测控制 课时79：类神经网络控制系统(一) 3.引擎类神经网络温度控制 课时80：类神经网络控制系统(一) 4.直流马达类神经网络控制 课时81：类神经网络控制系统(二) 1. 类神经网络模式参考控制 课时82：类神经网络控制系统(二) 2.机器手臂系统识别 课时83：类神经网络控制系统(二) 3.机器手臂类神经网络控制 课时84：类神经网络控制系统(二) 4.倒车入库神经网络控制 课时85：模糊类神经网络控制系统 1. 适应性类神经模糊推论系统 课时86：模糊类神经网络控制系统 2. 混合学习演算法 课时87：模糊类神经网络控制系统 3. 离散动态控制系统 课时88：模糊类神经网络控制系统 4. 倒车入库控制系统 课程介绍共计88课时，21小时5分41秒 智能控制系统 智能控制系统是一种使用各种基于人工智能计算方法的自动控制系统，例如模糊逻辑控制系统，基于基因算法控制系统，以及类神经网络控制系统。 上传者：桂花蒸 猜你喜欢 LabView实用技巧系列视频 simulink视频教程 高准确度温度监视器产品在仪器仪表方面的应用 [高精度实验室] 运算放大器 : 6 压摆率 北航单片机视频教程 霍尔效应设备及连接方式 Xilinx SDSoC开发环境特色功能演示 EDA技术 杭电 郭裕顺 热门下载 ISD1700.pdf 基于FPGA的FIR数字滤波器的设计与实现 ex54.rar MX7530_M FPGA EP1C6Q240C8 4*4键盘模块 4*4矩阵键盘 多管脚芯片是如后操作设置的 dsp频谱仪设计 微机系统接口课程设计 poj 部分解题报告 poj 部分解题报告 电动汽车用轮毂电机研究热点及趋势分析 热门帖子 负电源轨不会消失（转） 背景负电源轨与主要的IC构件配合使用，例如：数模转换器(DAC)、模数转换器(ADC)、运算放大器和GaAsFET偏置电路等。对称的电源(轨)可处理AC信号，并且不会产生DC偏移。显然，假如仅存在一个正电源轨，那么输出信号通常只能采取正值(取决于电路拓扑);然而，如果有了正电源轨和负电源轨，则输出信号就可从负电压摆动至正电压。再者，在诸如过程控制等实际信号为双极型的应用中，负电源是很重要的。以电动机控制为例，正电压会引起“顺时针”旋转，负电压将引起“逆时针”旋 qwqwqw2088 基于MSP430超低功耗设计的超声波测距学习资料 超声波测距，低功耗设计基于MSP430超低功耗设计的超声波测距学习资料下载，顶学习一下感谢分享感谢分享感谢分享谢谢奉献！谢谢分享，学习下好贴，支持楼主分享，顶谢谢楼主支持！呵呵感谢有你的分享！感谢楼主 kingheimer 一个电池放电四块电池切换电路 我这里涉及到一个四块锂电池切换问题，主要用在设备上，四块电池从1-4，第一块电池开始放电，当第一块电池放电结束后，其他电池依次放电，这个是一个切换电路，一块电池的电压是21.6V，结束工作的切换电压是14V，这个不涉及到功率问题，只是切换，但是我的电路目前存在问题。请帮我看一看我理解的是：1、首先一号电池VCCBT-OUT1放电，VCCIN是输出，file:///C:\\Users\\glassine\\AppData\\Roaming\\feiq\\RichOle\\3161760169 icehippo AD627识别真假的方法 AD627识别真假的方法，通过测量，检查你买的是真货还是赝品，这个挺有意思的。http://download.eeworld.com.cn/detail/zhangcx/551778AD627识别真假的方法 快羊加鞭 NXP LPC1768宝马开发板第13章SPI （SD卡刷图） 第十三章宝马1768——SPI_(SD卡刷图)开发环境：集成开发环境μVision4IDE版本4.60.0.0主机系统：MicrosoftWindowsXP开发平台：旺宝NXPLPC1768开发板13.1SPI配置13.2硬件描述13. 旺宝电子 Rayeager PX2的GPIO控制范例 基于PX2编译的一个GPIO控制的demoapk功能:控制GPIO_0_D4的引脚状态备注:GPIO引脚默认为High算是抛砖引玉吧考虑先用红外控制顺带熟悉红外接口～RayeagerPX2的GPIO控制范例好像楼主发错板块了那要发到什么板块哦 穿prada的008 网友正在看 拉普拉斯变换（二） pnp三极管的仿真 STemWin在STM32F1开发板上的移植(上) 如何去查看PCB的设计状态？ 如何让原理图模板中的Title栏日期跟随实际日期变化而变化？ W25Q64串行flash实验-QSPI Files structure 基于Sobel算法的边缘检测设计与实现（四）
