2015年新发布的蚁狮优化算法ALO，以及原作者的发布论文，可用于神经网络权值阈值的优化

共68个视频，含视频配套程序，课程内容包括，matlab感知机，神经网络分类、预测，信号拟合，SOM，支持向量机，降维与特征选择，字母识别等

该代码结合了灰色处理与神经网络的数据分类预测工作，通过数据集采用基于灰色神经网络预测数据集，读者可以根据自己的需要将数据集替换成自己的即可。

针对风电叶片模具电加热系统中被控对象存在的大惯性、非线性、干扰多等问题，提出一种基于改进径向基（RBF）神经网络的串级PID温度控制方法。首先，采用RBF神经网络结构对常规PID串级控制主回路结构进行优化，在此基础上，引入双动量因子，对主控制回路的输出Jacobian信息进行系统辨识，进而实现对控制器参数的自适应整定；其次，采用Kalman滤波器对主回路的输出噪声进行滤波，以消除外部扰动对系统辨识效果的影响；最后，搭建电加热试验平台，通过现场试验对上述算法的控制效果进行分析。仿真及现场试验结果表明：改进的径向基神经网络串级PID温度控制系统相较于常规串级控制具有响应快、超调低、抗干扰能力强等优点，且在主控制回路中的Kalman滤波算法能有效消减系统的输出噪声，可在很大程度上提高控制性能。

神经网络算法(Nerual Networks)应用

BP人工神经网络，消除样本顺序影响 通过对试验结果的分析会发现，BP网络接受样本的顺序会对训练结果有较大的影响，基本算法比较 “偏爱”较后出现的样本，因此，改进算法为对整个样本集的训练，用“总效果”去实施对权矩阵的修改 ，这就能比较好的解决因样本顺序引起的精度问题和训练的抖动。改进后的算法

模型算法，

为了有效改善传感器温度补偿特性，提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型。分析厂算法的收敛性，为学习率的选择提供了理论依据。给出了对掺杂苯的Sno2纳米传感器的灵敏度一温度特性曲线进行拟合的实例。结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度（10-6），因而是一种有效的温度特性曲线拟合方法。

随着深度学习的发展，卷积神经网络作为其重要算法被广泛应用到计算机视觉、自然语言处理及语音处理等各个领域，并取得了比传统算法更为优秀的成绩。但是，卷积神经网络结构复杂，参数量和计算量巨大，使得很多算法必须在GPU上实现，导致卷积神经网络难以应用在资源不足且实时性要求很高的移动端。为了解决上述问题，文中提出通过同时优化卷积神经网络的结构和参数来对卷积神经网络进行压缩，以使网络模型尺寸变小。首先，根据权重对网络模型结果的影响程度来对权重进行剪枝，保证在去除网络结构冗余信息的冋时保留模型的重要连接;然后通过量化感知（ quanTIκaτion- awareτraining）对卷积神经网络的浮点型权重和激活值进行完全量化，将浮点运算转换成定点运算，在降低网络模型计算量的冋时减少网络模型的尺寸。文中选用 tensorflow深度学习框架，在 Ubuntu16.04操作系统中使用 Spyder编译器对所提算法进行验证实验结果表眀，该算法使结枃简单的 Lenet模型从l.64M压缩至θ.36M，压缩比达到η8%，准确率只下降了了0.016;使轻量级网络 Mobilenet模型从16.9M压缩至3.1M，压缩比达到81%，准确率下降0.03。实验数据说明，在对卷积神经网络权重剪枝与参数量化辶后，该算法可以做到在准确率损失较小的情况下，对模型进行冇α压缩，解决了卷积神经网络模型难以部署到移动端的问题。

对支持向量机和神经网络算法的理论研究，这样可以更好的有助于理解。