总结ppt，里面有两种机器学习或深度学习入门需掌握的算法（包括），有比较详细的个人学习理解（看吴恩达视频学习的）和算法描述。还有几篇关于显著性的论文的部分内容，及其评价措施。

基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作

对应B站 https://www.bilibili.com/video/BV19i4y1U7Z7/?spm_id_from=333.999.0.0 内容的程序。

基于粒子群算法优化RBF神经网络的异型连续箱梁桥损伤识别方法，谭国金，刘寒冰，针对异型连续箱梁桥的特点，提出了一种适用于该类桥梁结构的损伤识别方法。以位移振型比值和应变模态相对变化量来构造损伤指标，

自动调制识别是一个迅速发展的信号分析领域，已经成为了目前国际上最新的最热的一个研究热点，这本书的中译本覆盖了调制识别的所有完整内容，并且补充了作者最新的研究成果。

1、资源内容：基于Python实现神经网络与深度学习大作业（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。

针对传感器节点在自身定位过程中,受煤矿井下巷道复杂环境因素的影响,导致定位结果不够精确的问题,利用GIS系统的地图管理功能和人工神经网络无需建立数学模型的特点,提出了一种基于GIS和人工神经网络的修正方法。实验结果表明:该方法对存在误差的节点坐标进行了有效的修正,从而提高了节点自身定位的精度。

主要为大家详细介绍了C++实现神经BP神经网络，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

资源代码实现了bp全连接神经网络代码 不使用pytorch，tensorflow等神经网络学习框架 一、功能实现： 1.实现自动求导功能 2.实现adam学习率优化器代码，可以提升学习率，加快收敛 3.numpy实现矩阵运算 4.实现softmax交叉熵损失函数 5.实现递归运算每一层神经网络 6.实现训练过程中损失函数loss下降显示，使用matplot实现 二、作用： 1.方便刚入门的小伙伴入门学习神经网络，了解神经网络工作的几大部分 前向计算，激活函数，损失函数，求导 2.复现论文的adam优化器实现，实现一阶矩估计，二阶矩估计 三、能学到什么： 1.adam优化器实际代码实现 2.求导过程计算 3.matplot显示图表 4.numpy矩阵运算实现 5.递归实现层集计算 四、阅读须知： 1.参考本代码之前需要先了解bp神经网络的构成 2.此资源未使用框架，求导也是代码实现，主要是公式求导，后期会推出计算图求导的版本 3.不包含cnn卷积神经网络，不适用于特征提取，后续可能会增加cnn模块 4.本资源目前只实现relu激活函数，需要验证sigmod等激活函数可以自行添加

传统的强化学习（RL）使用回报（也称为累积随机奖励的期望值）来训练代理学习最佳策略。 但是，最近的研究表明，学习学习收益的分布要比学习其预期价值具有不同的优势，如在不同的RL任务中所见。 从使用传统RL的收益期望到分配RL收益分配的转变，为RL的动力学提供了新见解。 本文基于我们最近的研究RL量子方法的工作。 我们的工作使用量子神经网络实现了分位数回归（QR）分布Q学习。 该量子网络在具有不同分位数的网格世界环境中进行了评估，说明了其对算法学习的详细影响。 还将其与马尔可夫决策过程（MDP）链中的标准量子Q学习进行了比较，这表明量子QR分布Q学习比标准量子Q学习可以更有效地探索环境。 RL中的主要挑战是有效的勘探以及开发与勘探的平衡。 先前的工作表明，可以从分布的角度采取更多有益的措施。 我们的研究结果表明了其成功的另一个原因：分布式RL的性能增强可以部分归因于其有效探索环境的卓越能力。