针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

MATLAB平台：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

简单，可扩展，值得继续研究的方向，可进行对比实验

BP神经网络的利用 输入xy 输出xy，用python语言编写的

管道泄漏检测和定位在管道的安全生产中占有重要的位置。本文将用小波包分解技术提取的管道泄漏检测系统特征信号作为神经网络的输人,建立管道运行状态的神经网络分类器,根据输出对管道的运行状态进行识别。利用小波变换特性提取压力传感器的信号奇异点,根据负压力波定位法对管道泄漏点定位,仿真结果验证了该方法的有效性。

建立了一种基于神经网络的交通流量动态预测模型，分别采用BP神经网络和径向基网络(RBF)建立了预测模型，给出了数据预处理方法和预测模型评价指标．仿真结果表明该交通流量预测方法的有效性，结果分析得出径向基网络能够更加快速有效的进行城市交通流预测。

对不同类型的皮肤癌进行分类 有任何疑问请联系 - josemebin@gmail.com

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

人工神经网络的最后的实验。用了两种方法，bp算法和 rbf 径向基神经网络

1.2人工神经元模型 人工神经元是人工神经网络操作的基本信息处理单位,是神经网络设计的基础。 人工神经元模型可以看成是由三种基本元素组成： 一组连接 一个加法器 一个激活函数 生物神经网络 人类的大脑大约有1.41011个神经细胞，亦称为神经元。每个神经元有数以千计的通道同其它神经元广泛相互连接，形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元，对信息进行分布式存储与加工，这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。为了进一步模拟人脑的形象思维方式，人们不得不跳出冯．诺依曼计算机的框架另辟蹊径。而从模拟人脑生物神经网络的信息存储、加工处理机制入手，设计具有人类思维特点的智能机器，无疑是最有希望的途径之一。 人工神经网络 用数学和物理方法从信息处理的角度对人脑生物神经网络进行抽象，并建立某种简化模型，就称为人工神经网络Artificial Neural Network，缩写 ANN）。人工神经网络远不是人脑生物神经网络的真实写照，而只是对它的简化、抽象与模拟。这是因为到目前为止，人类对神经系统内的电信号和化学信号是怎样被用来处理信息的只有十分粗浅的认识。揭示人脑的奥妙不仅需要各学科的交叉和各领域专家的协作,还需要测试手段的进一步发展。尽管如此，这种简化模型的确能反映出人脑的许多基本特性。目前已提出上百种人工神经网络模型。