基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制，唐忠，蔡智慧，本文提出了一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,�

粒子群算法(PSO)优化双向长短期记忆神经网络的数据回归预测，PSO-BiLSTM回归预测，多输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于BP人工神经网络的SmFeN永磁材料工艺-磁性能关系预测，叶金文，刘 颖，采用均匀设计的方法设计了HDDR工艺条件的4因素16水平的实验方案，建立了工艺参数与磁性能之间的神经网络数学模型，利用该模型结合�

为快速响应客户需求和提高产品定制效率,通过分析产品设计过程的特点,结合粗糙集理论和神经网络方法各自的优势,提出一种融合粗糙集和神经网络的产品敏捷定制设计新方法,将粗糙集和神经网络方法有机集成应用于产品设计过程。该方法中,运用粗糙集对设计要求进行约简,提炼有效的决策条件;在此基础上,采用神经网络方法构建不同设计阶段的设计要求与其对应的产品结构间的网络模型,快速确定产品结构形式。并将该方法成功应用于某卷板机的总体方案定制设计过程。这种方法为实现产品敏捷定制开发提供了一种新的解决思路和技术手段。

基于粗糙集神经网络的数据挖掘在门业制造车间质量控制中的应用，陈振，刘颖，本文在对门业制造车间质量控制的特点进行分析的基础上提出了一个基于粗糙集BP神经网络的质量预测模型。用粗糙集的属性约简对输入�

Google OCR API源代码和神经网络识别OCR源代码

作者 项目 文献资料 建置状态 代码质量 覆盖范围 NumPyNet Linux / MacOS ： Windows ： 编码： 编码节拍： 纯NumPy中的神经网络-NumPyNet 在神经网络模型的纯Numpy中实现。 NumPyNet支持语法非常接近Keras之一，但它使用只写了Numpy功能：这种方式很轻，快速安装和使用/修改。 理论 先决条件 安装 效率 用法 贡献 参考 作者 执照 致谢 引文 概述 NumPyNet是作为研究神经网络模型的教育框架而诞生的。 编写该指南的目的是平衡代码的可读性和计算性能，并提供大量文档，以更好地理解每个脚本的功能。 该库是用纯Python编写的，唯一使用的外部库是Numpy （科学研究的基本软件包）。 尽管所有常见的库都通过广泛的文档进行了关联，但对于新用户而言，通常很难在其中引用的许多超链接和论文中四处移动。 NumPyNet试

基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)回归预测，多变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

小波神经网络的构成和学习算法应用在煤矿设计故障处理中,实现了故障诊断。文章针对小波神经网络在煤矿传感设备故障处理中的应用进行研究,希望对煤矿工作有所帮助,提供参考。

第二章 图像去噪原理与神经网络简介 9 在上图去噪框架中有几个需要注意的点，第一是分解的图片块的大小不是盲 目的， p p 大小取得不同，则最终去噪的效果也不尽相同，取图片块太小，当噪 声较大时，此时去噪的结果会产生更多的可能性。而加噪的过程是不可逆的，因 此这样一来学习将变得非常复杂，找到公式（2-5）中的逼近 -1 的 f 函数将变更加 困难。另外一方面，虽然理论上来说取更大的 p p 是更好的，但实际情况并不是 如此，图片越大计算量越大，所以一般需要实验后折中取值。为了分开学习降低 复杂度，所以我们得折中选取了一个合适我们去噪模型的尺寸。在这个方面，尺 寸大小对去噪效果的影响在文献[10]中已经做过比较，不再详细展开。另外一点需 要注意的是，图像拆分处理之后是如何聚合并还原成原图像大小的。实际上我们 可以这样理解，对于每一个分别去噪的图片块，经过一个处理函数从 p p 变成 q q ，最后将这些尺寸为 q q 的图片按在原图中像素的位置点重聚回去，如果有 很多不同的图片块具有重叠的像素位置，则对这些重复的位置采用加权求平均或 者高斯平均的方法算出最终聚合回原图变成 m nR  的去噪图像。在神经网络中则是 采用全连接层的方式还原成 m nR  的去噪图像，其整体思想也是拆分再聚合。 2.2 人工神经网络 20世纪 80年代，人工智能领域兴起了人工神经网络（Artificial Neural Network， ANN）的研究热潮，ANN 也被人们简称为神经网络。它是一种仿照生物学中的神 经网络结构而设计的类似的网络结构，有点类似于生物脑细胞中的响应过程，通 过网络拓扑结构模拟生物神经元细胞的连接方式，以大量的简单原件构成一个复 杂的网络，以其强大的并行计算能力，高效的自主学习能力和高容错性能力进行 智能化自适应学习的网络。是一种高度非线性的模拟生物神经系统的网络结构， 可以解决复杂非线性运算和逻辑运算的网络系统。 2.2.1 神经元 如图 2-3 所示，为一个生物神经元，主要有细胞核，树突、轴突、突触、髓鞘 等结构。我们知道生物的脑神经网络由众多神经元一一连接而形成网络，树突和 突触主要用来收集传递信息，轴突主要作用相当于放行兴奋信号，阻挡抑制电平 信号。神经元就像一个处理器，释放或抑制电平信号。