针对一类未知的连续非线性系统, 提出一个基于单网络近似动态规划(ADP) 的近似最优控制方案. 该方
案通过设计一个新型的递归神经网络(RNN) 辨识器放松了系统模型需已知或部分已知的要求, 并利用一个神经网
络(NN) 近似系统的性能指标函数消除了常规ADP方法中的控制网络. 通过Lyapunov 理论分析严格证明了闭环系
统内所有信号一致最终有界, 并且所获得的性能指标函数和控制输入分别收敛到最优性能指标函数和最优控制输入
的小邻域内. 仿真结果验证了所提出控制方案的有效性.

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。

论文仅供参考学习使用。 通过融合浅层网络高分辨率的细节特征来改进 PSPNet-50 网络模型，减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响。然后通过交互分割算法获取一至两幅图像的分割先验，将少量分割先验融合到新的模型中，通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性。最后通过构建全连接条件随机场模型，将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起，更好地处理边界定位问题。

先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

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。

该说明书对贝叶斯神经网络工具箱的使用进行了详细的说明

高斯_契比雪夫神经网络,matlab源代码

深度学习在人脸识别的研究和应用中取得一定成效,但因计算量大且耗时,不适用于小型嵌入式设备。基于融合梯度特征的轻量级卷积神经网络SqueezeNet提取人脸特征,既能保证该网络模型适用于内存相对小的嵌入式设备,又能保证获得的人脸特征对不同光照更具鲁棒性。实验结果表明,将8×8分块图像中提取的一阶梯度特征,与轻量级卷积神经网络提取的全局特征相融合的人脸识别算法,在LFW数据集中识别率可达97.28%,较传统轻量级卷积神经网络的人脸识别方法,识别率提高了4.36%。

TF图神经网络样本 该存储库是代码版本，对应于介绍具有特征线性调制的图神经网络（GNN）的文章（ ）。 在本文中，讨论了许多GNN架构： 门控图神经网络（GGNN）（ ）。 关系图卷积网络（RGCN）（ ）。 关系图注意力网络（RGAT）-图注意力网络（ ）对几种边缘类型的概括。 关系图同构网络（RGIN）-图同构网络（ ）对几种边缘类型的概括。 带有边缘MLP的图形神经网络（GNN-Edge-MLP）-RGCN的一种变体，其中边缘上的消息是使用完整MLP而非单个层来计算的。 关系图动态卷积网络（RGDCN）-RGCN的新变体，其中动态计算卷积层的权重。 具特征线性调制（GNN-FiLM）的图形神经网络-带有FiLM层的RGCN的新扩展。 本文中提出的结果基于该存储库中提供的模型和任务的实现。 此代码已在使用TensorFlow 1.13.1的Python 3.

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。