本教程简要介绍了基于梯度下降和 delta 规则的反向传播算法下多层神经网络的训练及其数值实现。 在 MATLAB :trade_mark: 环境中模拟网络，训练它解决字符识别问题和众所周知的 XOR 问题。 获得的结果非常有趣并且表现出优异的性能。 由于该算法是函数的近似，因此它可以用于许多需要系统识别、模式分类等的问题。 关键词：神经网络，多层感知器，训练，模式识别，反向传播，delta 规则，梯度下降。

基于BA无标度网络模型，融合微博用户网络的特征，构造一种微博谣言传播网络模型。提出一种新的SIR（susceptible-infected-removed）模型，通过数值仿真探讨微博谣言的传播动力学行为。研究表明，当微博用户规模以及节点间新建连接数量不断增大时，微博谣言的最终感染程度显著增大，网络的传播临界值却大幅降低。研究还发现，拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。

现代无线通信系统电波传播，中文影印版。对电波传播的理解有较大帮助

将自适应梯度算法（Adagrad）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中train.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

论文研究-传染病传播模型综述.pdf,  建立传染病传播模型是理解传染病流行机理, 预测流行趋势, 进行防控决策的基础. 将传染病传播模型分为单一群体模型, 复合群体模型和微观个体模型三类. 单一群体模型从宏观角度刻画了集计量的变化, 以经典的\,SIR\,为基础, 在仓室设置、 年龄结构、 随机性、 异质性等方面进行了扩展. 复合群体模型将人群划分为多个子群体, 子群体之间因人口流动而耦合, 适合研究具有空间异质性的跨地区传播问题. 微观个体模型的出发点是个体状态和行为, 所有个体形成接触网络. 这类模型有理想网络和现实网络两个研究方向, 理想网络关注接触网络特性对传染病传播动力学的影响, 现实网络致力于揭示社会接触的实际特征, 构建足够真实的模拟网络, 研究传染病的传播. 这三类模型各有特点, 分别具有各自的适用领域, 应根据研究目的和问题特点选择合适的建模方法.

一起 k 均值 matlab 代码动态丛传播 该存储库包含动态丛传播算法的 Matlab 实现。 该算法最初是在 (Viles 2013) 中开发的，它提供了一种机制，用于在不确定的情况下随着时间的推移识别和跟踪功能网络中的社区。 这与导致癫痫发作的大脑连接的处理（例如，由 ECoG 测量）具有特定的相关性。 受 (Palla 2005) 中的 clique percolation 方法的启发，该算法在函数网络的每个时间步识别 k-plex（使用 k-plex 使算法对噪声具有鲁棒性）并将它们在每个时间步内和跨时间步骤。 因此，这允许随着时间的推移和在不确定性下跟踪功能社区的诞生和消亡。 这个 Matlab 实现是算法的基本实现，以及一些相关的工具： 模拟动态网络 汇总统计信息 可视化动态网络 这仍然是一项正在进行的工作。 本文档和存储库将使用有关如何使用算法的文档和示例进行更新。 运行算法 为了运行算法，你必须有一个无向二元图的动态邻接矩阵。 给定n个顶点和t时间步长，动态邻接矩阵C应该是n × n × t 。 矩阵中的每个值表示在特定时间两个顶点之间是否存在边。 例如C(a, b,

将自适应矩估计算法（Adam）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中Adam.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

MATLAB峭度代码

GA-ANN Use genetic algorithm to optimize the backpropagation neural network. 简介：这是一个利用遗传算法实现BP人工神经网络的matlab代码，可用于实现2层（隐藏层数=1，不计输入层，则共2层）的BP-ANN。 原作者为： 由于云盘易失效，在此备份。

提出了一种基于几何散射模型的综合改进室内参考信道模型，这种模型是由无限数量的散射体均匀分布在三维空间的一个二维水平面上组成的。推导了电磁信号到达角概率分布函数、功率延迟分布、频率相关函数的解析表达式。此外，还通过参考模型提出了一种高效的SOC信道仿真模型。结果表明，SOC信道仿真模型与频率相关函数相关，近似于参考模型，可以很好地应用于评估室内宽带无线通信系统的性能。