mk matlab代码基于人工神经网络的前向建模 这是 Moghadas JAG 2020 论文的配套 MATLAB 代码（请参阅下面的参考资料）。 此代码包含以下脚本： MK_ANN_Data：读取训练模型和拆分数据用于 ANN 训练的程序。 ANN_Training：训练 ANN 以创建代理正向建模的程序。 模拟：从基于 ANN 的前向模型计算 EMI 前向响应的程序。 参考 Moghadas, D., Behroozmand, AA, Christiansen, AV, 2020，使用基于神经网络的正向求解器进行土壤电导率成像：应用于大规模贝叶斯电磁反演，应用地球物理学杂志，DOI：10.1016/j.jappgeo。 2020.104012 接触 Davood Moghadas () 艾哈迈德。 A. 贝鲁兹曼 ()

人工神经网络 具有反向传播和动量的人工神经网络（不使用角膜和张量流） 楷模 实施步骤 导入必要的库 麻木 matplotlib 球状 cv2 随机的 操作系统 下载并预处理数据集 加载训练和测试数据集 随机训练和测试数据集 调整图像大小并进行归一化 初始化随机权重和偏差 创建字典以存储权重和偏差 将权重和偏差初始化为零以进行反向传播 修复所有超参数 学习率 纪元数 层数 每层的单位数 动量（

机器学习课上构建神经网络实现显著性提取

人工神经网络架构 使用keras（后端的Tensorflow）轻松构建ANN架构的脚本。

字符分割和字符识别项目，包含项目收集数据集和cnn模型，以及项目的说明资料 项目语言：C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 源码编译 SVM: Libsvm ANN： Opencv CNN: Caffe 该项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了如何从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的全局特点，提出了四种不同的可能的车牌区域提取方法，经过校正后得到车牌区域候选人；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别。

这个是本人读书期间课程的结题作业，利用离散小波变换（DWT）提取波恩Bonn脑电数据的时频域特征，训练支持向量机（SVM）和人工神经网络（ANN），进行数据的二分类。 除此之外，报告也对一些基本的概念进行了介绍，算是一篇普及类的小报告吧，研究深度一般，里面有MATLAB实现的完整程序，希望能给各位带来一点入门的作用。 适合小白等刚刚进入人工智能领域的人员，研究深度一般。

论文研究-基于GA-ANN的中国金融安全预警系统设计及实证分析.pdf,  国家金融体系的安全运行关系到经济社会的稳定, 建立有效的金融安全预警系统已成为各界十分关注的焦点. 基于现有文献, 在金融安全预警指标体系中补充影子银行相关指标, 以保证高杠杆、高流动性风险的经济参数参与建模, 使得金融安全预警指标体系更加完整; 运用因子分析计算七个金融子系统及整体金融系统安全得分, 基于遗传算法优化的人工神经网络(genetic algorithm-artificial neural network, GA-ANN) 建立中国金融安全预警系统, 观察金融系统运行是否平稳、金融安全得分是否出现剧烈波动或异常值, 以此判断国家金融状况是否安全, 并对2013年我国金融安全状况进行预测. 其中, GA-ANN网络较径向基神经网络、反向传播神经网络和广义回归神经网络, 具有更好的拟合精度. 预测结果显示2013年下半年我国金融系统总体运行安全, 但在影子银行、股市和保险子系统存在一定的不安全因素. 研究成果为政策制定者和广大投资者对国家宏观金融安全预判提供了参考依据.

虽然之前很多深度学习的课程种都有提到过Keras，但是Keras作为单独的一个项目进行全面的高阶教学，应该还是第一次。Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

智能优化 | MATLAB实现CS-ANN布谷鸟优化人工神经网络算法 布谷鸟优化 人工神经网络算法 MATLAB实现CS-ANN布谷鸟优化人工神经网络算法

基准化最近的邻居 在高维空间中快速搜索最近的邻居已成为一个越来越重要的问题，但是到目前为止，还没有很多以客观方式比较方法的经验性尝试。 该项目包含一些工具，用于对不同度量的近似最近邻（ANN）搜索的各种实现进行基准测试。 我们已经预生成了数据集（采用HDF5格式），并且还为每种算法提供了Docker容器。 有一个可确保每种算法都能正常工作。 已评估 ：LSHForest，KDTree，BallTree ：SWGraph，HNSW，BallTree，MPLSH ：ONNG，PANNG，QG 数据集 为此，我们有许多预先计算的数据集。 所有数据集均已预先划分为训练/测试数据，并以前100个邻居的形式提供了地面真实数据。 我们以HDF5格式存储它们： 数据集 外型尺寸 火车尺寸 测试尺寸 邻居 距离 下载 96 990万 10,000 100 角度的 （3.6GB） 784 60,000 10,000 100 欧几里得 （217MB） 960 1,000,000 1,000 100 欧几里得 （3.6GB） 25 1,183,514 10,0