基于MATLAB的BP神经网络建模及系统仿真

如何从少数训练样本中学习并识别新的类别，对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有的基于深度神经网络的少样本学习方法，涵盖了方法 所用模型、数据集及评估结果等各个方面。

【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第一周作业(1&2&3).zip

摘要：人工神经网络作为人工智能的分支，在模式识别、分类预测等方面已成功地解决了许多现代计算机难以解决的实际问题。然而随着人工智能的发展，神经网络的自主性特征学习

JOONE(Java Object Oriented Neural Network)是sourceforge上一个用java语言迅速开发神经网络的最新工具包

分布估计算法是一种新的种群进化算法，通过建立概率模型得到新的个体，copula分布估计算法是将copula理论与分布估计算法结合，提高估计的精确性和效率。针对分布估计算法全局收敛的特点，与BP算法结合可以避免BP算法易陷入局部极值点的缺陷，同时可以使优化结果更加精确。本文采用copula EDA与BP算法的两种结合模式来优化神经网络的权值和阈值，并且比较两种结合模式。可以得出，copula分布估计算法与BP算法融合可以提高收敛速度和精确性。

神经网络是大脑的一个组成部分。James在1890年的《心理学》一书中这样描述神经网络的基本原理：大脑皮层每一点的活力是由其它点势能释放的综合效能产生的

PyCNN：使用Python的细胞神经网络进行图像处理 细胞神经网络（CNN） 是最早在1988年细胞神经网络提出类似于神经网络，与该通信在相邻单元之间只允许的差的平行计算模式。 图像处理是其。 CNN处理器旨在执行图像处理； 具体来说，CNN处理器的原始应用是执行数字处理器无法实现的实时超高帧速率（> 10,000 frame / s）处理。 这个python库是CNN的实现，用于图像处理。 注：该库已在发表的研究被引用，寻找在参考部分中引用＃19。 我很高兴这个图书馆可以为社区提供帮助。 注意：不得将细胞神经网络（CNN）与完全不同的卷积神经网络（ConvNet）混淆。 如上图所示，想象一个带有反馈回路的控制系统。 f（x）是分段线性S型函数。 控制（模板B）和反馈（模板A）模板（系数）是可配置的，并控制系统的输出。 在确定常用图像处理技术的模板方面已经进行了重大研究，这些模板已发布在此。 进一步阅读： 动机 这是2014年第14届细胞纳米级网络和应用（CNNA）大会上演示的扩展。我写了一篇博客文章，可在。 我的论文使用了该库在IEEE Xplore中发布了一个。 依存

首先对细胞神经网络(CNN)的基本模型作了简要论述,在对连续时间CNN离散化的基础 上,将连通单元检测与阴影检测相结合，提出了一种基于CNN文字识别的特征提取技术，并进行 了计算机的仿真试验，得到了良好的结果。

压缩包主要包含用于数据预测的小波神经网络（WNN）源码及预测的数据集，其中WNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、平滑因子、伸缩因子等参数。