CNN与RNN图像分类 该程序使用卷积神经网络和递归神经网络对来自MNIST手写数字数据集的图像进行分类。 CNN最适合计算机视觉应用，因为可以使用RNN，但并不流行。该项目的目的是证明CNN模型相对于RNN可​​能具有的优势。 设置 需要Python 3.5-3.8才能与所有必需的模块兼容 # Clone this reposititory git clone https://github.com/JohnNooney/CNN_vs_RNN_Image_Classification # Go into repository cd ../cnn_vs_rnn_image_classification # Install required modules pip install -r requirements.txt 用法 使用python app.py启动应用程序后，将出现一个窗口，您可以

钢板表面质量决定钢板的抗腐蚀性、抗磨性和疲劳强度等使用性能，决定相关产品的安全性能。目前还没有一种算法可很好的解决钢板表面缺陷分类问题。应用BP神经网络算法识别钢板表面缺陷，并采用高阶扰动理论解决BP神经网络算法固有的缺点，如学习速度慢、易陷入局部极值等。最后通过实验验证了算法的有效性，钢板缺陷识别率达到83%。

发现joone的jar包资源很少，就上传了，joone-engine.jar

使用卷积神经网络对mnist数据集进行分析 使用tensorflow对mnist数据集进行建模 #1、导入需要用到的包 import tensorflow as tf import random import numpy as np import matplotlib.pyplot as plt import datetime from tensorflow.examples.tutorials.mnist import input_data #2、导入mnist数据集 mnist = input_data.read_data_sets("data/", one_hot=True) #3、

针对传统税收预测模型精度较低的问题，提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值；然后初始化BP神经网络权值和阈值，并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990--2010年税收数据进行仿真实验，结果表明该方法相比传统BP网络预测，平均误差相对值从0.50％减少到0.18％，有效地降低了单个BP陷入局

大牛的讲义

《人工神经网络原理及应用》由朱大奇、史慧编著，科学出版社出版。该书是现代计算机科学技术精品教材之一，介绍了人工神经网络的基本原理及其应用。重点阐述了9种常见神经网络的结构组成、工作原理、设计方法及应用实例。 本书中心内容包括前馈型BP神经网络；反馈型Hopfield神经网络和双向联想记忆 BAM神经网络；局部逼近的CMAC小脑神经网络和径向基函数RBF神经网络；竞争学习的自组织SOM神经网络、对偶传播CPN神经网络、ART自适应谐振理论及量子神经网络。 本书可作为电子、自动化、仪器仪表、计算机及相关专业研究生教材，书中介绍的相关算法及应用实践，对相关理论研究者和工程技术人员也具有一定的指导意义。

data（近期用到的“图卷积学习”方面的数据集），保存记录。

Mutagenicity。

截止到2019/07/14日之前的，各路大神关于图像处理、深度学习的论文索引，包括多种经典的神经网络模型的具体阐述。