c++第七次作业

本程序通过定义函数计算数组中每个元素的阶乘,并根据元素的奇偶性将其阶乘累加到不同的变量中,最终输出所有奇数和偶数阶乘的总和。
1、
#include<iostream>
using namespace std;
long fac(int n)
{
	long f = 1;
	for (int i = 1; i <= n; i++)
		f *= i;
	return f;
}
int judge(int a)
{
	if (a % 2 == 0)
		return 0;
	else
		return 1;
}
int main()
{
	long i = 0;
	long j = 0;
	int a[10] = { 1,2,3,4,5,6,7,8,9,10 };
	for (int b = 0; b < 10; b++)
	{
		if (judge(a[b]) == 0)
			i += fac(a[b]);
		else
			j += fac(a[b]);
	}
	cout << "奇数的阶乘和为:" << j << endl;
	cout << "偶数的阶乘和为:" << i << endl;
	return 0;
}

基于径向基函神经网络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