ER_Networks.m

焦点损失 降低了分类良好的示例的权重。 这样做的净效果是，将更多的培训重点放在难以分类的数据上。 在我们的数据不平衡的实际环境中，由于我们拥有更多的数据，我们的多数阶级将很快得到很好的分类。 因此，为了确保我们在少数族裔班上也能达到很高的准确性，我们可以使用焦点损失在训练过程中为那些少数族裔班级提供更多的相对权重。 焦点损失可以很容易地在Keras中实现为自定义损失函数。 用法 以焦点损失为样本编译模型： 二进位 model.compile（损失= [binary_focal_loss（alpha = .25，gamma = 2）]，指标= [“准确性”]，优化程序= adam） 分类的 model.compile（损失= [categoical_focal_loss（alpha = [[。25，.25，.25]]，gamma = 2）]，指标= [“准确性”]，优化程序= ad

Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码，Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码

有关BP算法深度学习巨头的论文原文，包含全部的论文内容。

负荷预测：使用MATLAB（ANN）进行负荷预测

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

Introducing 5G networks.docx

网络科学最好的教科书，作者是Mark Newman，排版清晰，真正的电子版

mark newman的Networks: An Introduction ， 网络科学的入门书籍

RBFNN是使用径向基函数作为激活函数的人工神经网络。 图显示了 RBFNN 的结构。 RBFNN 是三层前馈神经网络。 第一层是线性的，只分配输入信号，而下一层是非线性的，使用高斯函数。 第三层线性组合高斯输出。 在训练期间只修改隐藏层和输出层之间的抽头权重。 RBFNN 有 5 个优化参数： 1- 隐藏层和输出层之间的权重。 2- 激活函数。 3- 激活函数的中心。 4- 激活函数中心的分布。 5- 隐藏神经元的数量。 隐藏层和输出层之间的权重使用 Moore-Penrose 广义伪逆计算。 该算法克服了传统梯度算法中的许多问题，如停止标准、学习率、时期数和局部最小值。 由于其较短的训练时间和泛化能力，适合实时应用。 选择的径向基函数通常是用于模式识别应用的高斯核。 通常激活函数的中心和分布应该具有与数据相似的特征。 这里，使用 Kmeans 聚类算法选择高斯的中心和宽度。 基于通用逼