朱元国教授的“智能优化算法”课件,包括模拟退火算法、人工神经网络、遗传算法、蚁群等。模式识别、机器学习等都是用的上的。

紫外线matlab代码艾达网 AdaNet：人工神经网络的自适应结构学习 参考资料：Cortes, C., Gonzalvo, X., Kuznetsov, V., Mohri, M. & Yang, S.. (2017)。 AdaNet：人工神经网络的自适应结构学习。 第 34 届机器学习国际会议论文集，PMLR 70:874-883 这个 Python 项目旨在实现 AdaNet 的 API，使用基于文章的算法：简而言之，这个模型正在根据它适合的数据复杂性从头构建一个神经网络， 这就是它命名为自适应模型的原因。 对于这个实现，手头的问题总是一个二元分类。 在拟合操作期间，它将构建隐藏层和每层中的神经元数量。 决定是更深（添加隐藏层）还是更宽（将神经元添加到现有层）， 或者更新现有的神经元权重以封闭的计算形式完成（通过使用巴拿赫空间对偶）文章中所示。 最后，它将优化最佳神经元（添加或现有）的权重，更新参数并进行迭代。 文章讲了AdaNet的几个变种，这是AdaNet.CVX的实现， 在附录 C 中解释 - 以封闭形式解决每个步骤中的凸子问题。 文章 [v.1] 的先前版本中显示了对该

资源为人工神经网络的MATLAB代码，所提供的人工神经网络代码是在基础的ANN算法的基础上进行了改进，提升了算法的计算速度。欢迎有需要的下载使用

为了对用户的项目进行推荐以进行历史用户评级，正在使用几种智能系统。 最常见的方法是推荐系统。 发挥主要作用的主要领域是社交网络，数字营销，在线购物和电子商务。 推荐系统由几种建议技术组成。 在这里，我们使用了众所周知的协作过滤（CF）方法。 存在两种类型的问题，协作过滤主要解决这些问题。 它们是完全冷启动（CCS）问题和不完全冷启动（ICS）问题。 作者提出了三种新颖的方法，例如协同过滤，人工神经网络以及最后的支持向量机来解决CCS和ICS问题。 基于特定的深度神经网络SADE，我们可以删除产品的特征。 通过使用顺序激活的用户和产品特性，我们可以适应最新技术CF模型，时间SVD ++的冷启动产品额定值。 拟议的系统由Netflix评级数据集组成，该数据集用于执行基线技术来对冷启动项目进行评级预测。 在ICS项上比较了两种推荐技术的计算结果，证明了该方法的适应性。 由于冷启动转移到非冷启动状态，因此所提出的方法能够转移产品。 这里采用人工神经网络（ANN）提取项目内容特征。 用户偏好之一（例如时间动态）用于将满足的特征获取到预测中以克服这些问题。 对于分类过程，与早期方法相比，我们使用了

本文来自于csdn，本文是主要介绍了神经网络应用在分类问题中效果，以及神经网络结构及算法，希望对您的学习有所帮助。1.1基本结构 说明： 通常一个神经网络由一个inputlayer，多个hiddenlayer和一个outputlayer构成。 图中圆圈可以视为一个神经元（又可以称为感知器） 设计神经网络的重要工作是设计hiddenlayer，及神经元之间

遗传算法和人工神经网络在边坡稳定性评价中的应用.pdf

matlab+ann源码基于ANN的SVPWM 四开关三相逆变器中基于人工神经网络的空间矢量PWM 使用 MATLAB/SIMULINK 进行代码和仿真。 有关更多信息，请参阅 GMA Sowilam 和 Haitham Z. Azazi，“四开关电压源逆变器馈送三相感应电机的六空间矢量脉冲宽度调制”

1. 完成的实验内容 完成了MNIST手写体识别实验。 2. 实验方式 在华为云ModelArts平台上运行此实验。 使用MindSpore深度学习框架实现一个简单的图片分类实验，整体流程如下： 1、 处理需要的数据集，这里使用了MNIST数据集。 2、 定义一个网络，这里我们使用LeNet网络。 3、 定义损失函数和优化器。 4、 加载数据集并进行训练，训练完成后，查看结果及保存模型文件。 5、 加载保存的模型，进行推理。 6、 验证模型，加载测试数据集和训练后的模型，验证结果精度。 3. 代金券消耗情况

基于MATLAB的BP人工神经网络设计.pdf

⑴神经元是一个多输入、单输出的元件 ⑵神经元是一个具有非线性的元件 ⑶神经元具有可塑性，传递强度可变 ⑷神经元的输出是每个输入综合的结果