1.MNIST数据集简介 MNIST是在机器学习领域中的一个经典问题。该问题解决的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9。 mnist_uint8.mat包含了MNIST数据集的全部数据，其中： train_x: 60000*784矩阵，60000个训练样本，每个训练样本像素值展开成了行向量。 train_y: 60000*10矩阵，60000个训练样本标签，每个样本标签中对应分类元素值为1，其余为0； test_x: 10000*784矩阵，10000个测试样本，每个训练样本像素值展开成了行向量。 test_y: 10000*10矩阵，10000个测试样本标签，每个样本标签中对应分类元素值为1，其余为0； 2. 人工神经网络简介 2.1 网络结构 一个基本的人工神经网络结构主要由以下三部分构成：输入层(x)、一个或多个隐藏层(h)、输出层(y)。 输

一个简单的人工神经网络程序.假设输入值为{大,圆,光滑}为水果的三个特征值,来代表三种不同的水果,用bp算法和遗传算法分别实现未知的水果类别.

由于影响电力负荷的因素之间存在着非线性,所以采用神经网络方案来进行短期电力负荷预测。对应用于实际的神经网络算法进行了具体处理,如数据的归一化,输入向量和输出向量的选择。仿真结果表明其有较好的预测精度。该模型具有网络结构较小、训练时间短、易于实现的优点。

基于深度学习模型的人脸识别部分主要包含三个模块：数据预处理模块、深度学习模块和识别模块。数据预处理模块主要由数据整合和构造数据立方体两个部分组成。深度学习模块通过两个具体过程来实现：RBM 调节和深度模型的反馈微调。RBM 的调节过程是自下而上的各个层间的调节过程，以这种方式来初始化整个深度模型的系统权值，而深度模型的反馈微调，首先进行自下而上的识别模型转换，然后再进行自上而下的生成模型转换，最后通过不同层次之间的不断调节，使生成模型可以重构出具有较低误差的原样本，这样就得到了此样本的本质特征，即深度模型的最高抽象表示形式。

人工神经网络教程_韩力群pdf 大学，研究生课程参考资料

内容提要: 本书共8章。包括前向多层人工神经网络,按照自适应谐振理论构成的自组织神经网络,自组织特征映射与联想记忆等。

固有频率与故障距离之间存在数学关系，故障行波暂态能量在固有频率附近较集中，其暂态能量包含丰富的故障距离信息。利用人工神经网络（ANN）的非线性函数逼近拟合能力，建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量，并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征，提高了测距的可靠性。数字实验结果表明，所提方法在不同过渡电阻和不同故障距离下均能准确测距。

根据人工神经网络原理,结合贵州省某矿的实测数据,建立BP神经网络模型,借助计算机MATLAB 7.5,对瓦斯浓度进行了预测,说明人工神经网络在矿井安全预测上的可行性。

3、常见的神经元激活函数 MP 神经元模型是人工神经元模型的基础，也是神经网络理论的基础。在神经元模型中，激活函数除了阶跃函数之外，还有其它形式。不同的激活函数，可构成不同的神经元模型。

人工神经网络 ann 很好很全 清华大学