完整全套资源下载地址：https://download.csdn.net/download/qq_27595745/66030967 【完整课程列表】 完整版 南京邮电大学 机器学习课程教程PPT课件 1-1.机器学习简介-上课版part1（共31页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 1-2 机器学习简介-上课版part2（共55页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 2. 概念学习 分类（共27页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 3 决策树（共44页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 4-1 贝叶斯学习（共18页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 5. 神经网络（共42页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 6 支持向量机（共29页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 7. 基于实例的学习-k近邻（共17页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 8-1 模式选择和评估（共30页）.pdf 完整版 南京邮电大学 机器学习课程教程PPT课件 8-2 模式选择和评估（共14页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 9. 计算学习理论（共26页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 10 聚类分析（共74页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 12 特征选择（共36页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 13 Sparse-SDM10（共133页）.pdf 完整版 南京邮电大学 机器学习课程教程PPT课件 14 机器学习总结（共25页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 15 Overview of ensemble（共31页）.ppt

基于MATLAB的多输入多输出神经网络代码数据集

一个简单的基于趋近律的滑模控制matlab程序及模型文件，已亲测可以运行，有疑问的可以评论私信我

遗传神经网络MATLAB代码分享，包含所有函数文件和主函数文件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

PSO_bpnn Python 粒子群算法结合神经网络

开发技术环境： Pycharm + Python3.6 + PyQt5 + OpenCV + 卷积神经网络模型 本文采用卷积神经算法对驾驶室内的驾驶员进行实时的面部图像抓拍，通过图像处理的技术分析人眼的闭合程度，从而判断驾驶员的疲劳程度。本文介绍了对目标图像进行人脸检测，然后在分割出的人脸图像中，对人脸图像进行水平投影，并根据水平投影得到的人眼上下眼睑，定位出人眼的位置，而且根据人眼的上下眼睑可以通过事先给出的一定判别标准，判断眼部是否处于疲劳状态，从而达到疲劳检测的目的。当检测出驾驶员处于疲劳时，系统会自动报警，使驾驶员恢复到正常状态，从而尽量规避了行车的安全隐患，并且系统做出预留功能，可以将驾驶员的疲劳状态图片发送给指定的服务器以备查询。因此组成本系统中系统模块如下： （1）视频采集模块 （2）图像预处理模块 （3）人脸定位模块 （4）人眼定位模块 （5）疲劳程度判别模块 （6）报警模块

神经网络模型普遍存在过拟合问题，所以采用增加3层丢弃层避免梯度消失的问题，利用adam优化器自动优化学习率。 本文使用ReLu Activation函数激活参数特征，然后连接Batch Normalization层和Dropout层，再用Flatten层对数据进行平滑处理，最后将数据输入两个堆叠的LSTM层输出预测数据。 经过多次调整超参数后，确定丢弃率为0.15。 为该单特征LSTM模型的损失变化图。由图可见，该模型损失函数的下降速度极快，在训练次数达到三百次左右时，损失已经基本维持在0附近，并逐步趋于平稳，说明该模型能够很快地收敛到一个较优的参数状态，避免了过拟合或欠拟合的问题。该模型的整体MAPE最低时达到10.69%，整体的拟合程度较高。

MATLAB水果分级系统（果径，色泽，缺陷，Bp神经网络算法）Matlab平台

鲸鱼算法(WOA)优化长短期记忆神经网络的数据回归预测，WOA-LSTM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。

For graduate-level neural network courses offered in the departments of Computer Engineering, Electrical Engineering, and Computer Science. Renowned for its thoroughness and readability, this well-organized and completely up-to-date text remains the most comprehensive treatment of neural networks from an engineering perspective. Refocused, revised and renamed to reflect the duality of neural networks and learning machines, this edition recognizes that the subject matter is richer when these topics are studied together. Ideas drawn from neural networks and machine learning are hybridized to perform improved learning tasks beyond the capability of either independently.