In fine art, especially painting, humans havemastered the skill to create unique visual experiences through composing a complex interplay between the con- tent and style of an image. Thus far the algorithmic basis of this process is unknown and there exists no artificial system with similar capabilities. How- ever, in other key areas of visual perception such as object and face recognition near-human performance was recently demonstrated by a class of biologically inspired vision models called Deep Neural Networks. Here we introduce an artificial system based on a Deep Neural Network that creates artistic images of high perceptual quality. The system uses neural representations to sepa- rate and recombine content and style of arbitrary images, providing a neural algorithm for the creation of artistic images. Moreover, in light of the strik- ing similarities between performance-optimised artificial neural networks and biological vision,our work offers a path forward to an algorithmic under- standing of how humans create and perceive artistic imagery.

使用opencv3的ANN库，进行数字识别，有效建模识别率可达93%以上

matlab lm算法代码lsnn（最小二乘神经网络） 语言：MATLAB 该项目用于非迭代算法开发，该算法主要基于最小二乘法。 以下所有这些算法均基于单隐藏层前馈神经网络（SLFN）结构。 算法列表： ELM（极限学习机），PCA-ELM（主要成分分析），I-ELM（增量），EI-ELM（增强增量），DP-ELM（破坏性简约）和CP-ELM（建设性简约）。 AIL（肛门增量学习） LSM（本地Sigmoid方法） BP（反向传播，LM）matlab包装器。 如何进行所有算法的比较 回归案例：运行runcvreg.m 。 分类案例：运行runcvclass.m 。 要查找超参数：运行hpsearching.m ，您可以将大小写更改为回归或分类。 要总结指标（准确性，＃nodes，时间）：运行`perfsummay.m，您需要手动更改指标-请参阅/阅读代码。

基于经典最小二乘法和BP神经网络算法的系统辨识，内含MATLAB算法实例

视觉神经网络算法突破之前，激光雷达是高级自动驾驶唯一解决方案.docx

关于人工神经网络算法的书籍，公有16部，分为两部分。

此例可采用BP神经网络算法用于设备故障类型的模式识别程序。 本次为变压器故障（均为低压测故障）类型的识别。

股票价格预测 Udacity-机器学习纳米学位课程：Project-6（Capstone项目） 项目概况 这是Udacity-机器学习纳米学位计划中列出的一系列项目中的第六个也是最后一个顶点项目。 投资公司，对冲基金甚至个人一直在使用财务模型来更好地了解市场行为并进行有利可图的投资和交易。 历史股价和公司绩效数据的形式提供了大量信息，适用于机器学习算法进行处理。 我们真的可以通过机器学习预测股价吗？ 投资者通过分析数据做出有根据的猜测。 他们将阅读新闻，研究公司的历史，行业趋势以及做出预测的其他许多数据点。 流行的理论是，股票价格是完全随机且不可预测的，但这提出了一个问题，为什么摩根士丹利和花旗集团这样的顶级公司会聘请定量分析师来建立预测模型。 我们的想法是，交易大厅里充斥着肾上腺素的男人，他们之间的联系松散，向电话里喊着什么，但如今，他们更有可能看到成排的机器学习专家静静地坐在电脑屏幕前。 实际上，现在华尔街上约70％的订单都是通过软件下达的，我们现在处在算法时代。 该项目利用深度学习模型，长期记忆（LSTM）神经网络算法来预测股票价格。 对于具有时间范围的数据，递归神经网络（

受生物神经系统和人工神经网络 (ANN) 的启发，提出了一种新的元启发式优化算法来解决复杂的优化问题。 所提出的方法称为神经网络算法 (NNA)，它是基于 ANN 的独特结构开发的。 NNA 受益于 ANN 及其运算符的复杂结构，以生成新的候选解决方案。

人工神经网络和遗传算法都是将生物学原理应用于计算机科学的仿生学理论成果。由于它们具有极强的解决问题的能力，近年来引起了众多学者的兴趣与参与，已成为学术界跨学科的热门专题之一。 在人工神经网络的实际应用中，约90％的人工神经网络模型都是采用BP网络或者是它的变化形式，它也是前馈网络的核心部分，BP网络广泛应用于函数逼近、模式识别／分类、数据压缩等。现已成为人工智能研究的重要领域之一。然而，由于BP算法是一种梯度下降搜索方法，因而不可避免地存在固有的不足，如收敛速度慢、易陷入误差函数的局部极小点，对于较大的搜索空间，多峰值和不可微函数不能有效搜索到全局极小点。 遗传算法作为一种智能化的全局搜索算法，自80年代问世以来便在数值优化、系统控制、结构优化设计等诸多领域的应用中展现出其特有的魅力，同时也暴露出许多不足和缺陷。如完全依赖概率随机地进行操作，虽然可以避免陷入局部极小，但受寻优条件的限制，一般只能得到全局范围内的近似最优解，很难得到最优解；对参数采用二进制编码，人为地将连续空间离散化，导致了计算精度与字符串长度、运算量之间的矛盾；采用随机优化技术，所以要花费大量的时间；算法在交叉、变异的进化过程中随机性较强，致使搜索效率低下，具体表现为进化迭代过程中会出现子代最优个体劣于父代最优个体的“退化”现象；遗传算法虽然具有很强的全局搜索能力，但其局部搜索能力较弱(易出现早熟收敛现象)。 本文主要工作： (1) 对BP神经网络的缺陷进行分析研究，针对BP神经网络收敛度慢的不足，对经典BP网络的单极性Sigmoid传输函数和双极性Sigmoid函数进行数学分析，给出二者不同的数学性质和它们的优先选择方法。 (2) 利用数值计算优化方法对BP神经网络进行改进，提高其收敛速度，本文分别用拟牛顿法、最优步长法和共轭梯度法对BP神经网络学习法进行改进，对各种改进方法进行分析比较，给出各自适用的网络规模，并对其收敛性进行分析证明。 (3) 利用数值计算优化方法对遗传算法的交叉算子、变异算子、编码方式及适应度函数等进行分析研究，给出了基于一维极小化问题的最优策略(Fibonacci法)和近似最优策略(黄金分割法)的交叉和变异算子。 (4) 将擅长全局搜索的遗传算法和局部寻优能力较强的BP算法结合起来，根据GA的交叉、变异和选择算子在全变量空间以较大概率搜索全局解和在解的点附近利用BP神经网络能快速、精确地收敛的特点，融合二者的优点，将二者有机结合，利用遗传算法同时训练神经网络权值和拓扑结构，可以辟免陷入局部极小值，提高算法收敛速度，很快得到问题的全局最优解。 (5) 通过试验对改进后的BP神经网络算法、遗传算法和他们融合方法进行了试验验证。