（10分） MNIST手写数字识别问题的多层神经网络模型实践 按课程案例，动手完成编码实践。 自行设计一种神经网络模型，并尝试采用不同超参数，让模型的准确率达到97.5%。 提交要求： 1、你认为最优的一次带运行结果的源代码文件（.ipynb 格式） 2、作为附件上传 评分标准： 1、完成MNIST手写数字识别的神经网络建模与应用，有完整的代码，模型能运行，准确率达97%以上；得6分；每下降一个百分点，少得1分； 2、准确率达97.3%以上；再得2分，否则再得0分； 3、准确率到97.5%以上；再得2分，否则再得0分； 源代码： import tensorflow.compat.v1 as

多层感知器MLP快速入门，结合基于DL4J的分类器分析和手写体识别的3D可视化

利用深度学习算法，对UCL机器学习数据库里的一个糖尿病数据集 进行训练学习并预测。主要利用了 python 的 sklearn 神经网络 MLPClassifie 函数包进行糖尿病数据集的训练与预测。内含训练算法MPL.py文件和糖尿病数据集diabetes.xlsx文件。

这是山东大学计算机专业的机器学习课程的实验报告，本文是多层神经网络的简单实现，包括BP和径向基

c++实现多层神经网络模型，工程用vs2008生成。 参考了网上多篇c++神经网络代码，修改多处bug，最终生成无bug版本的代码 测试例子为自己构造：将3位二进制转为10进制

配合我写的博文更容易理解

本简介解决了设计自适应神经网络的问题一类未知的严格反馈系统的网络跟踪控制非线性出现的已知周期的时变扰动功能未知。 多层神经网络（MNN）和傅立叶级数展开（FSE）被组合到新颖的逼近器中进行建模系统中的每个不确定性。 动态表面控制（DSC）方法和积分型李雅普诺夫函数（ILF）技术组合设计控制算法。 所有闭环的极限一致有界信号得到保证。 跟踪误差被证明收敛到很小围绕原点设置的残差。 提供了两个仿真示例来说明本文中提出的控制方案的可行性。

基于多层神经网络的饱和非线性输入自适应控制.pdf