deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

麻雀算法(SSA)优化长短期记忆神经网络的数据多变量时间序列预测，SSA-LSTM多维时间序列预测。 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。

针对滑模控制中传统趋近律存在抖振、收敛速度慢的问题, 提出一种基于特定双幂次趋近律的滑模控制方案. 双幂次趋近律具有全局快速的固定时间收敛特性, 收敛时间存在与滑模初值无关的上界. 当系统存在有界集总扰动时, 双幂次趋近律能使滑模及其一阶导数在有限时间收敛到稳态误差界内. 仿真分析验证了所提出方法的有效性.

1. 对应视频链接：https://www.bilibili.com/video/BV1We4y1Z7jG/?vd_source=cf212b6ac033705686666be12f69c448 2. Matlab实现BP神经网络的时间序列预测（完整源码和数据) 3. 单列数据，递归预测-自回归，时间序列预测 4. 评价指标包括：R2、MAE、MSE、RMSE 5. 包括拟合效果图和散点图 6. Excel数据，暂无版本限制，推荐2018B及以上版本 7. 其他代码连接：https://docs.qq.com/sheet/DRXBpdVRydFRHTXlB?tab=BB08J2&_t=1667389129635&u=96322ede66974c7097f1238bbc559fdc

“BP和RBF神经网络计算软件”是“风雨江湖”水利系列软件之一，基于Excel VBA研发，在安装有Microsoft Excel或金山WPS（需安装相关VBA工具包）的计算机中，双击运行扩展名为“.xlsm”的Excel文件即可。该软件实现具有3层网络结构的反向传播神经网络（Back Propagation，BP）和径向基函数神经网络（Radial Basis Function，RBF）的训练和运行。软件能够根据输入、输出样本进行网络训练，可人工调整各层神经元个数和训练参数，并能够利用事先训练完成的网络参数进行模拟计算。

具体详见博客：https://blog.csdn.net/qq_45077760/article/details/124508235?spm=1001.2014.3001.5502

Matlab神经网络43个案例分析。 BP神经网络的数据 BP神经网络的非线 遗传算法优化BP神 神经网络遗传算法函 基于BP_Adaboost的 PID神经元网络解耦 RBF网络的回归--非 GRNN网络的预测--- 离散Hopfield神经网 离散Hopfield神经 连续Hopfield神经 初始SVM分类与回 LIBSVM参数实例详 基于SVM的数据分 SVM的参数优化— 基于SVM的回归预 基于SVM的信息粒 基于SVM的图像分 基于SVM的手写字 LIBSVM-FarutoUltim 自组织竞争网络在 SOM神经网络的数 Elman神经网络的数 概率神经网络的分 基于MIV的神经网 LVQ神经网络的分 LVQ神经网络的预 决策树分类器的应 极限学习机在回归 基于随机森林思想 思维进化算法优化 小波神经网络的时 模糊神经网络的预 广义神经网络的聚 粒子群优化算法的 遗传算法优化计算 基于灰色神经网络 基于Kohonen网络 神经网络GUI的实 动态神经网络时间 定制神经网络的实

【超实用课程内容】 本课程从pytorch安装开始讲起，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架pytorch，玩转pytorch模型训练等所有知识点。最后通过 kaggle 项目：猫狗分类，实战pytorch深度学习工具。 【课程如何观看？】 PC端：https://edu.csdn.net/course/detail/27286 移动端：CSDN 学院APP（注意不是CSDN APP哦） 本课程为录播课，课程永久观看，大家可以抓紧时间学习后一起讨论哦~ 【学员专享增值服务】 源码开放 课件、课程案例代码完全开放给你，你可以根据所学知识，自行修改、优化 下载方式：电脑登录https://edu.csdn.net/course/detail/27286，点击右下方课程资料、代码、课件等打包下载

MATAB神经网络源码及数据分析GRNN-数据预测

本文来自于网络，文章详细介绍了使用Python实现机器学习算法的损失函数、反向传播过程等相关知识。在这一章节里，我们将实现一个简单的神经网络架构，将2维的输入向量映射成二进制输出值。我们的神经网络有2个输入神经元，含6个隐藏神经元隐藏层及1个输出神经元。我们将通过层之间的权重矩阵来表示神经网络结构。在下面的例子中，输入层和隐藏层之间的权重矩阵将被表示为W，隐藏层和输出层之间的权重矩阵为W。除了连接神经元的权重向量外，每个隐藏和输出的神经元都会有一个大小为1的偏置量。我们的训练集由m=750个样本组成。因此，我们的矩阵维度如下：训练集维度：X=(750，2)目标维度：Y=(750，1)W维度：(