首先讲一下这次专题的选题背景 然后简要的介绍一下人工神经网络中的一些重要概念 了解了这些基本概念后 我们就更好的学习BP算法 最后,我们选择一个煤矿井下预测瓦斯浓度的实例掌握简单的BP神经网络算法在matlab中实现。
2021-12-24 17:16:28 127.86MB PPT 算法实例 BP神经网络 视频讲解
1
BP神经网络算法 实现历史数据的样本训练 并对未来数据做出合理预测的案例
2021-12-22 10:44:34 1KB BP神经网络
1
亚洲排名第1的新加坡国立大学AI团队倾情打造,资深研究员龙龙老师主讲,帮助人工智能、深度学习初学者快速、深刻理解深度学习算法原理与实践。【莫烦老师】权威推荐:在教学中,龙龙老师以简短高效的方式,从深度学习的多个角度向我们展开了论述,非常适合想对深度学习有全方位了解的朋友。【PyTorch中文网】:讲解简单易懂、由浅入深,是一门值得推荐的课程。课程特色:1. 通俗易懂,快速入门对深度学习算法追本溯源、循序渐进式讲解,学员不需要任何机器学习基础,只需要写过代码即可轻松上手。2. 实用主导,简单高效使用新手最容易掌握的深度学习框架PyTorch实战,比起使用TensorFlow的课程难度降低了约50%,而且PyTorch是业界最灵活,最受好评的框架。3. 案例为师,实战护航基于计算机视觉和NLP领域的经典数据集,从零开始结合PyTorch与深度学习算法完成多个案例实战。4. 持续更新,永久有效一次购买,永久有效。深度学习课程会持续更新下去,内容和学术界最前沿算法保持同步。
1
代码可以直接使用,数据也在里面,小波分析神经网络算法 %% 该代码为基于小波神经网络的交通流预测代码 %% 清空环境变量 clc clear %% 网络参数配置 %读取数据 load data [m,n]=size(data); aaaaaa = round(m * 0.7); bbbbbb = round(m * 0.2); cccccc = round(m * 0.1); input = data(1:aaaaaa,1:n-1); input_test = data((aaaaaa+bbbbbb+1):m,1:n-1); output= data(1:aaaaaa,n); output_test = data((1+aaaaaa+bbbbbb):m,n); M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1;
2021-12-20 11:22:35 963KB 小波分析
1
BP神经网络算法的改进及在MATLAB中的实现
1
神经网络算法,经典算法,很实用,很简单,适合初学者。神经网络算法,经典算法,很实用,很简单,适合初学者。神经网络算法,经典算法,很实用,很简单,适合初学者。神经网络算法,经典算法,很实用,很简单,适合初学者。
2021-12-16 11:57:51 8KB 神经网络
1
人工神经网络算法实例
2021-12-16 11:53:56 69B 人工神经网络算法实例
1
主要介绍了Python实现的人工神经网络算法,结合实例形式分析了Python基于反向传播算法实现的人工神经网络相关操作技巧,需要的朋友可以参考下
2021-12-14 08:36:41 57KB Python 人工神经网络 反向传播 算法
1
针对如何将忆阻器融入人工神经网络算法并进行硬件实现的问题,提出了一种在现场可编程逻辑门阵列(FPGA)平台上实现的基于忆阻特性的监督神经网络算法。该设计以忆阻器模块作为神经网络中的权值存储模块,构建误差反馈机制的监督学习。将该忆阻神经网络电路应用于图像分类问题,并进行了资源占用和处理速度的优化。实验结果表明其分类结果良好,在Cyclone II:EP2C70F896I8平台上,整体网络算法占用11 773个逻辑单元(LEs),训练耗时0.33 ms,图像的测试耗时10 μs。这一工作对忆阻器和神经网络的结合提出了一个有益的参考。
2021-12-12 18:10:52 368KB 忆阻器
1
流网 在流量网络中查找最大流量的流量网络算法的Javascript实现 现场演示 用法 查找网络中的最大流量 // construct a network var fn = new FlowNetwork ( ) ; fn . addEdge ( 's' , 'o' , 3 ) ; fn . addEdge ( 's' , 'p' , 3 ) ; fn . addEdge ( 'o' , 'p' , 2 ) ; fn . addEdge ( 'o' , 'q' , 3 ) ; fn . addEdge ( 'p' , 'r' , 2 ) ; fn . addEdge ( 'r' , 't' , 3 ) ; fn . addEdge ( 'q' , 'r' , 4 ) ; fn . addEdge ( 'q' , 't' , 2 ) ; // find max fl
1