表格+分页

<el-button size="small" type="primary" @click="_search(1)">查询</el-button>
<el-table v-loading="loading" :data="tableData" stripe element-loading-text="数据加载中">
  <el-table-column prop='' label='顶层组织'></el-table-column>
  <el-table-column prop='' label='项目类型'></el-table-column>
  <el-table-column prop='' label='项目角色'></el-table-column>
  <el-table-column prop='' label='项目角色职位等级要求'></el-table-column>
</el-table>
<el-pagination
  layout="total, sizes, prev, pager, next, jumper"
  @current-change="handleCurrentChange"
  :current-page="pageNum"
  @size-change="handleSizeChange"
  :page-sizes="[15, 50, 100]"
  :page-size="pageSize"
  :total="total">
</el-pagination>
//变量
loading: false,
pageNum: 1,
pageSize: 15,
total: 0,
tableData: [],

//查询
_search(_pageNum) {
  let that = this
  if (_pageNum == 1) {
    that.pageNum = 1
  }
  that.loading = true
  let _data = {
    firstorgcode: that.form.firstOrg,
    pageNum: that.pageNum,
    size: that.pageSize
  }
  that.$store.dispatch('devActivityListGet', _data).then((res) => {
    that.tableData = res.data.rows
    that.total = res.data.total
    that.loading = false
  }, (err) => {
    that.$message({
      message: err.message,
      type: 'error'
    })
    that.loading = false
  })
},
handleCurrentChange(val) {
  console.log(`当前页: ${val}`);
  this.pageNum = val
  this._search()
},
handleSizeChange(val) {
  console.log(`每页 ${val} 条`);
  this.pageSize = val
  this._search(1)
},
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