手写数字识别系统的设计实现matlab自带的神经网络算法实现

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

基于GA_BP神经网络的光伏出力预测 基于GA_BP神经网络的光伏出力预测 详细请见：https://blog.csdn.net/weixin_56691527/article/details/127998147?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22127998147%22%2C%22source%22%3A%22weixin_56691527%22%7D

开发了一个新的边界感知分割网络BASNet， 由一个深度监督的编码器-解码器和一个残差细化模块组成，以及一个融合BCE、SSIM和IoU的新的混合损失来监督精确图像分割的训练过程。

实验结果表明：经粒子群优化过的BP神经网络有效地改善了局部极值缺陷，可应用于定位端预测穴位的位置，并在LCD中显示穴位相关信息，控制端收到位置数据后可执行电机上的运动操作。

人体的视觉系统是一个相当神奇的存在，对于下面的一串手写图像，可以毫不费力的识别出他们是504192，轻松到让人都忘记了其实这是一个复杂的工作。 实际上在我们的大脑的左脑和右脑的皮层都有一个第一视觉区域，叫做V1，里面有14亿视觉神经元。而且，在我们识别上面的图像的时候，工作的不止有V1，还有V2、V3、V4、V5，所以这么一看，我们确实威武。 但是让计算机进行模式识别，就比较复杂了，主要困难在于我们如何给计算机描述一个数字9在图像上应该是怎样的，比如我们跟计算机说，9的上面是一个圈，下右边是1竖。然而有的人写9会带勾，有的人还会在圈周围多出点什么，总的来说，这种描述法太容易出现其他状况。况且

GRNN网络的预测——基于广义回归神经网络的货运量预测

基于matlab的GRNN分类器实现的代码

针对大视差图像拼接后重叠区域出现重影、非重叠区域发生透视失真等问题，提出一种改进的大视差图像拼接算法。利用尽可能投影算法（APAP）建立低密度网格形变，根据待拼接图像成对匹配点的分布对重叠区域内的网格形变进行细分。通过随机釆样一致性算法计算全局最优相似矩阵，校正非重叠区域发生的透视失真现象。将全局最优相似矩阵与网格单应矩阵加权叠加，实现目标图像形变。在此基础上，对目标图像重叠区域进行内容感知，保留重要度较低的区域并完成拼接，以避免重叠区域出现重影问题。实验结果表明，相对APAP、SPHP等算法，该算法的拼接效果更能还原真实场景，且拼接图像的均方根误差值较低。

摘要： 纯NumPy代码从头实现简单的神经网络。 Keras、TensorFlow以及PyTorch都是高级别的深度学习框架，可用于快速构建复杂模型。前不久，我曾写过一篇文章，对神经网络是如何工作的进行了简单的讲解。该文章侧重于对神经网络中运用到的数学理论知识进行详解。本文将利用NumPy实现简单的神经网络，在实战中对其进行深层次剖析。最后，我们会利用分类问题对模型进行测试，并与Keras所构建的神经网络模型进行性能的比较。 Note：源码可在我的GitHub中查看。 在正式开始之前，需要先对所做实验进行构思。我们想要编写一个程序，使其能够创建一个具有指定架构（层的数量、大小以及激活函数）