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

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。

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

仿真算法(神经网络算法)实现TSP问题JAVA版 通过JFreeChart展示结果路径 详见代码注释

本文实例讲述了Python实现的三层BP神经网络算法。分享给大家供大家参考，具体如下： 这是一个非常漂亮的三层反向传播神经网络的python实现，下一步我准备试着将其修改为多层BP神经网络。 下面是运行演示函数的截图，你会发现预测的结果很惊人！ 提示：运行演示函数的时候，可以尝试改变隐藏层的节点数，看节点数增加了，预测的精度会否提升 import math import random import string random.seed(0) # 生成区间[a, b)内的随机数 def rand(a, b): return (b-a)*random.random() + a # 生成大小

介绍了近年来可拓神经网络的发展，对可拓神经网络的基本思想、算法思路、应用研究进行了系统分析，并提出和分析了有待进一步研究的方向和问题。

一个神经网络算法的matlab实现，这是源代码，很不错的资源

SharpAI-开源 神经网络的C＃研究工具由Martin Kober撰写和设计，2018 包括 -用于数字识别的分类器（Perceptron）为例-基于MarI / O的增强型拓扑（NEAT）的神经进化 -NEW：Pong python3示例-algorythm的两个实例相互播放，请访问Readme.txt（SharpAI / Pong / Readme.txt）了解更多信息 意图 了解神经网络的算法如何工作并将其应用于您自己的项目 要求 -Microsoft Visual Studio 2017（社区版） 因萨尔 1.）下载为zip文件2.）打开包装3.）打开SharpAI.sln 4.）观看视频如何在YouTube上使用 执照 此项目已获得MIT许可证的许可-有关详细信息，请参阅文件

随着社会的发展，手写体数字识别得到了日益广泛的应用，因此有大量的手写体数字文档整理、查询、统计的工作需要完成,而手写体数字文档识别系统可以轻而易举地完成很多以前难以想象的工作。本系统所设计的手写体数字识别系统包括输入图片、归一化、特征提取、识别等部分,本文所用到的手写体数字样本都是在Windows自带的画图板中手写输入获得的。首先采用MATLAB的imread.m函数读取手写体数字图像,因为字母图像还没有达到提取特征和输入识别的要求,本文中采用自定义的归一化算法进行图像预处理,将灰度化、二值话图像归一化处理,再用逐像素特征提取法提取数字特征。预处理后将提取到的数字特征进行编码作为神经网络的输入

自己在做大作业过程中找了一些关于神经网络隐层节点数选择相关的论文，提供给大家作为参考。隐层节点数目前好像也没有比较格式化的选择方法，因此论文也仅供参考，不喜勿喷