船型综合评价是一个多目标决策问题。为克服采用单一方法确定权重存在的片面性，基于主观赋权的层次分析法（AHP）、客观赋权的熵权法（EWM）和智能赋权的BP-神经网络法3类赋权法得到的权重，采用博弈论法来确定指标的组合权重，将各评价指标组合权重与逼近理想解排序法(TOPSIS)结合，建立博弈论–TOPSIS评价模型。并以一组消防船为例进行了案例分析。评价结果表明，博弈论–TOPSIS法与改进复合权重TOPSIS法的评价结果趋势一致，且博弈论–TOPSIS法的方案区分度更大，说明采用博弈论法确定的指标组合权重更加合理，能够为多方案船型评价工作提供更有效的评价工具。

第1章 P神经网络的数据分类——语音特征信号分类 第2章 BP神经网络的非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经网络——非线性函数拟合 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模 第6章 PID神经元网络解耦控制算法——多变量系统控制 第7章 RBF网络的回归——非线性函数回归的实现 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测 第9章 离散Hopfield神经网络的联想记忆——数字识别 第10章 离散Hopfield神经网络的分类——高校科研能力评价 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算 第12章 SVM的数据分类预测——意大利葡萄酒种类识别 第13章 SVM的参数优化——如何更好的提升分类器的性能 第14章 SVM的回归预测分析——上证指数开盘指数预测 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测 第17章SOM神经网络的数据分类——柴油机故障诊断 第18章Elman神经网络的数据预测——电力负荷预测模型研究 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断 第20章 神经网络变量筛选——基于BP的神经网络变量筛选 第21章 LVQ神经网络的分类——乳腺肿瘤诊断 第22章 LVQ神经网络的预测——人脸朝向识别 第23章 小波神经网络的时间序列预测——短时交通流量预测 第24章 模糊神经网络的预测算法——嘉陵江水质评价 第25章 广义神经网络的聚类算法——网络入侵聚类 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优 第27章 遗传算法优化计算——建模自变量降维 第28章 基于灰色神经网络的预测算法研究——订单需求预测 第29章 基于Kohonen网络的聚类算法——网络入侵聚类 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类

人工神经网络技术及其应用 人工神经网络技术及其应用. 中国知网下载的，，，，，，，

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

阻尼最小二乘法matlab代码项目1：使用多层感知器的双月分类问题 使用MLP项目1 –团队一的双月分类问题 Abhinav Karthik Sridhar科学硕士–电气工程，美国亚利桑那州立大学 Sanjay Kumar Reddy理学硕士–美国亚利桑那州立大学电气工程 Venkata Motupalli理学硕士–美国亚利桑那州立大学电气工程 摘要-该项目的关键思想是在上下月球上使用随机数据点（1000），并以给定的距离'd'进行分隔，并使用三种神经网络案例对它们进行分类：反向传播，带动量的反向传播和Levenberg- Marquardt使用多层感知器。 简介多层感知器（MLP）是一类前馈人工神经网络。 一个MLP至少由三层节点组成。 除输入节点外，每个节点都是使用非线性激活函数的神经元。 MLP利用称为反向传播的监督学习技术进行训练。 它的多层结构和非线性激活将MLP与线性感知器区分开来。 它可以区分不可线性分离的数据。 图1多层感知器网络 每个MLP都具有激活功能，隐藏层的数量以及与每个隐藏层相关的隐藏神经元的数量以及与训练方法相关的学习率。 因此，我们使用Levenberg-

用BP神经网络逼近非线性函数 ，智能控制大作业报告。

基于matlab建模，本模型是通过遗传算法优化BP神经网络进行预测，最后输出进化过程图、预测效果对比图、误差图和RMSE、MAE、MAPE、R2等评价指标。可以结合自己的数据集运行，需要修改的地方均备注了，适合新手入门，包括main.m、BpFunction.m、Objfun.m三个.m文件。 本文件代码是基于【每行一个样本，每列一个特征】，如果数据集以列为样本请注意转置！运行前需安装matlab遗传算法工具箱。

本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考 由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。 适用于CNN初学者以及希望更进一步的学习者。 dataset是MNIST。这里层的概念是指convolution+pooling 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。 SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案

mk matlab代码基于人工神经网络的前向建模 这是 Moghadas JAG 2020 论文的配套 MATLAB 代码（请参阅下面的参考资料）。 此代码包含以下脚本： MK_ANN_Data：读取训练模型和拆分数据用于 ANN 训练的程序。 ANN_Training：训练 ANN 以创建代理正向建模的程序。 模拟：从基于 ANN 的前向模型计算 EMI 前向响应的程序。 参考 Moghadas, D., Behroozmand, AA, Christiansen, AV, 2020，使用基于神经网络的正向求解器进行土壤电导率成像：应用于大规模贝叶斯电磁反演，应用地球物理学杂志，DOI：10.1016/j.jappgeo。 2020.104012 接触 Davood Moghadas () 艾哈迈德。 A. 贝鲁兹曼 ()

在这个程序中，我首先通过将角度值应用于 2 dof DK 模型然后将数据提供给 anfis 函数来创建训练数据集函数 DK47 是直接运动学模型函数坐标创建坐标训练数据 该程序与matlab产品帮助中的程序非常相似，但问题是训练FIS需要很多时间，所以请帮助