本文使用的数据集是MNIST，主要使用两个卷积层加一个全连接层构建的卷积神经网络。 先载入MNIST数据集（手写数字识别集），并创建默认的Interactive Session（在没有指定回话对象的情况下运行变量） from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets(MNIST_data/, one_hot=True) sess = tf.InteractiveSession(） 在定义一个初始化函数，因为卷

基于麻雀算法(SSA)优化径向基神经网络SSA-RBF时间序列预测。 matlab代码，优化参数为扩散速度，采用交叉验证。 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。

开发环境： Pycharm + Python3.6 + 卷积神经网络算法 基于人脸表面特征的疲劳检测，主要分为三个部分，打哈欠、眨眼、点头。本实验从人脸朝向、位置、瞳孔朝向、眼睛开合度、眨眼频率、瞳孔收缩率等数据入手，并通过这些数据，实时地计算出驾驶员的注意力集中程度，分析驾驶员是否疲劳驾驶和及时作出安全提示。 视觉疲劳检测原理：因为人在疲倦时大概会产生两种状态： 眨眼：正常人的眼睛每分钟大约要眨动10-15次，每次眨眼大概0.2-0.4秒，如果疲倦时眨眼次数会增多，速度也会变慢。打哈欠：此时嘴会长大而且会保持一定的状态。因此检测人是否疲劳可以从眼睛的开合度，眨眼频率，以及嘴巴张合程度来判断一个人是否疲劳。 检测工具 dlib ：一个很经典的用于图像处理的开源库，shape_predictor_68_face_landmarks.dat是一个用于人脸68个关键点检测的dat模型库，使用这个模型库可以很方便地进行人脸检测，并进行简单的应用。 眨眼计算原理： （1） 计算眼睛的宽高比 基本原理：计算 眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR

MATLAB漂浮物识别（Cnn卷积神经网络，GUI界面框架）Matlab编程

python 实现 神经网络 课程设计 代码 2层隐藏层神经网络（2 Hidden Layers Neural Network） 激活函数（Activation Functions） 指数线性单元（Exponential Linear Unit） 反向传播神经网络（Back Propagation Neural Network） 卷积神经网络（Convolution Neural Network） 输入数据（Input Data） 感知器（Perceptron） 简单神经网络（Simple Neural Network） 神经网络（Neural Network）是一种计算模型，受到人类神经系统的启发。它由多个人工神经元（节点）组成，这些神经元通过连接（权重）相互传递和处理信息。神经网络通常由输入层、隐藏层和输出层组成，其中隐藏层可以包含多个层。

基于改进的SOM神经网络在产品配置中的应用，潘高峰，宋飞，提出了一种基于改进的SOM（Self-organizing Feature Map）神经网络的产品配置方法，对客户个性化需求进行全面分析，提高客户聚类的精确性和

番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一部分，可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征（例如颜色，叶子边缘等），并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络（CNN）。 所建议的神经网络已被用于分类六种类型的番茄叶片情况（一种健康的叶片植物疾病和五种类型的叶片疾病）。 结果表明，卷积神经网络（CNN）已经实现了96.43％的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力，并使用5兆像素相机从真实农场中获得，因为感染该星球的大多数常

鲸鱼算法(WOA)优化BP神经网络分类预测,WOA-BP分类预测，多特征输入模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

我们在量子场论的背景下探索机器学习技术的观点。 特别是，我们讨论了在非零温度和化学势下的二维复标量场理论-一种具有非平凡相图的理论。 根据现场配置，成功地训练了神经网络，以识别该系统的不同阶段并预测各种可观察物的值。 我们分析了广泛的化学势，发现该网络很健壮，能够识别远离训练点的模式。 除了属于监督学习的回归分析之外，还提出了一种无监督的生成网络，以生成遵循特定分布的新量子场配置。 我们的生成模型自动捕获了物理配置满足的隐式局部约束。 我们详细介绍了这种生成方法在训练区域之外进行采样的潜在用途。

为克服单项预测方法产生的误差,利用灰色模型GM(1,N)、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM(1,N)法平均绝对百分比误差(MAPE)值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。