# 机器学习算法之PCA

• O6_754260
了解作者
• 64.4KB
文件大小
• zip
文件格式
• 0
收藏次数
• VIP专享
资源类型
• 0
下载次数
• 2022-05-19 23:23
上传日期

• 故障检测
• sishuixiangrk4.m
2.6KB
• Xf.dat
63.6KB
• PCA.m
2.6KB
• X.dat
63.6KB
• guzhangshuju.m
2.7KB
• Xt.dat
63.6KB
• BP.m
1.6KB

function main() %输入sishuixiangrk4('f1','f2','f3','f4',0,10,12,12.5,1.6,1.5,500)获取结果 %UNTITLED2 Summary of this function goes here % Detailed explanation goes here %x'=f(t,x,y) y'=g(t,x,y) %N为迭代次数 %h为步长 %ya,xa为初值 in1=[]; in2=[]; in3=[]; in4=[]; in1=3.33.*(0.7+normrnd(0,0.01,1,501)).*(3+normrnd(0,0.05,1,501))/28; in2=3.33.*(0.6+normrnd(0,0.01,1,501)).*(3+normrnd(0,0.05,1,501))/32; in3=3.33.*(0.4+normrnd(0,0.01,1,501)).*(3+normrnd(0,0.05,1,501))/28; in4=3.33.*(0.3+normrnd(0,0.01,1,501)).*(3+normrnd(0,0.05,1,501))/32; fs1=in1*28; fs2=in2*32; fs3=in3*28; fs4=in4*32; for i=1:501; f1=@(t,h1,h3)(-0.11233*sqrt(h1)+0.11233*sqrt(h3)+in1(:,i)); f2=@(t,h2,h4)(-0.07884*sqrt(h2)+0.07884*sqrt(h4)+in2(:,i)); f3=@(t,h1,h3)(-0.11233*sqrt(h3)+in3(:,i)); f4=@(t,h2,h4)(-0.07884*sqrt(h4)+in4(:,i)); h=0.1; T=zeros(1,501); h1=zeros(1,501); h2=zeros(1,501); h3=zeros(1,501); h4=zeros(1,501); T=0:0.1:50; h1(1)=12.3; h2(1)=12.65; h3(1)=1.6; h4(1)=1.45; for j=1:500 f11=feval(f1,T(j),h1(j),h3(j)); f31=feval(f3,T(j),h1(j),h3(j)); f12=feval(f1,T(j)+h/2,h1(j)+h/2*f11,h3(j)+f31*h/2); f32=feval(f3,T(j)+h/2,h1(j)+h/2*f11,h3(j)+h/2*f31); f13=feval(f1,T(j)+h/2,h1(j)+h/2*f12,h3(j)+h*f32/2); f33=feval(f3,T(j)+h/2,h1(j)+h/2*f12,h3(j)+h/2*f32); f14=feval(f1,T(j)+h,h1(j)+h*f13,h3(j)+h*f33); f34=feval(f3,T(j)+h,h1(j)+h*f13,h3(j)+h*f33); h1(j+1)=h1(j)+h*(f11+2*f12+2*f13+f14)/6; h3(j+1)=h3(j)+h*(f31+2*f32+2*f33+f34)/6; f21=feval(f2,T(j),h2(j),h4(j)); f41=feval(f4,T(j),h2(j),h4(j)); f22=feval(f2,T(j)+h/2,h2(j)+h/2*f21,h4(j)+f41*h/2); f42=feval(f4,T(j)+h/2,h2(j)+h/2*f21,h4(j)+h/2*f41); f23=feval(f2,T(j)+h/2,h2(j)+h/2*f22,h4(j)+h*f42/2); f43=feval(f4,T(j)+h/2,h2(j)+h/2*f22,h4(j)+h/2*f42); f24=feval(f2,T(j)+h,h2(j)+h*f23,h4(j)+h*f43); f44=feval(f4,T(j)+h,h2(j)+h*f23,h4(j)+h*f43); h2(j+1)=h2(j)+h*(f21+2*f22+2*f23+f24)/6; h4(j+1)=h4(j)+h*(f41+2*f42+2*f43+f44)/6; R=[(h1+normrnd(0,0.1,1,501))' (h2+normrnd(0,0.1,1,501))' (h3+normrnd(0,0.1,1,501))' (h4+normrnd(0,0.1,1,501))'];%501*4 I=[in1' in2' in3' in4'];%501*4 end end h4f=zeros(501,1); for i=201:501 h4f(i,1)=0.8; end h4f Rf=[R(:,1) R(:,2) R(:,3) R(:,4)+h4f]; Xf=[Rf I];%501*8 Xf figure(1) subplot(2,2,1) plot(R(:,1)) title('水箱1液位') axis([0,500,11.5,13]) subplot(2,2,2) plot(R(:,2)) title('水箱2液位') axis([0,500,12,13]) subplot(2,2,3) plot(R(:,3)) title('水箱3液位') axis([0,500,1.2,2]) subplot(2,2,4) plot(R(:,4)) title('水箱4液位') axis([0,500,1,2]) figure(2) subplot(2,2,1) plot(fs1) title('水流率f1') axis([0,500,6,7.5]) subplot(2,2,2) plot(fs2) title('水流率f2') axis([0,500,5.5,6.5]) subplot(2,2,3) plot(fs3) title('水流率f3') axis([0,500,3.5,4.5]) subplot(2,2,4) plot(fs4) title('水流率f4') axis([0,500,2.5,3.5]) save Xf.dat Xf -ascii

相关推荐
• 机器学习算法
机器学习算法python实现，，，， 机器学习算法。。。。。
• NearestNeighbours:机器学习算法
机器学习算法 输入包含两个文件。 第一个文件包含交叉验证信息，第二个文件包含数据。 第一个档案 每行中的数字用单个空格分隔。 第一个数字是k折交叉验证方案中使用的k折的k。 第二个数字是m，即示例数。 第三个...
• 机器学习算法SVM
算法简单的实现了SVM算法的基本原理，利于读者初步理解 学习SVM算法
• 基础机器学习算法
机器学习算法应用套路：数据处理（采集+去噪），模型训练（特征+模型），模型评估（MSE/F1Score/AUC）、模型应用
• 机器学习算法
整合了聚类，分类，最优化，最短距离，蚁群算法等其它经典算法。完整的python处理程序。
• 机器学习算法基础
30个小时知识无盲区课程，覆盖十多个行业应用。
• 机器学习算法统一
机器学习算法统一
• 机器学习算法工具箱
机器学习算法工具箱，包括各种机器学习的算法（mstlab).
• 机器学习算法
用python3完成线性回归、逻辑回归的小练习，用到sklearn库中linear_model里面的函数
• GaussDB_100_1.0.1-DATABASE-REDHAT-64bit.tar.gz
guassdb100在redhat上安装包，单机部署的包，安装步骤请看我的文中介绍，经过大量实验搭建总结出来的文档