KMP

package com.blog;


public class KmpTest {
	public static void main(String[] args) {
		//BBC ABCDAB ABCDABCDABDE
		//ABCDABD
		char[] parent = new String("BBC ABCDAB ABCDABCDABDE").toCharArray();
		char[] son = new String("ABCDABD").toCharArray();
		int[] next = getnext(son);
		int i = 0;
		int j = 0;
		for (i = 0; i < parent.length; i++) {
			while (j > 0 && parent[i] != son[j]) {
				j = next[j-1];
			} 
		    
			if (son[j] == parent[i]) {
				j++;
			}
			
			if (j == son.length) {
				System.out.println("find the result --->" + (i - j) + "--->" + parent[i - j] );
				break;
			}
		}
		
		
	}

	
	public static int[] getnext(char[] s) {
		int[] next = new int[s.length];
		int len;
		int i, j;
		len = s.length;
		i = 0;
		j = 0;
		while (i < len) {
			next[i] = j;
			System.out.println(i + "--->" + j);
			if (j == 0 || s[i] != s[j - 1]) {
				j = 0;
			}
			++i;
			++j;
		}
		return next;
	}
}

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值