车流量建模是车联网（vehicular Ad Hoc network，VANET）路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统（intelligent transportation system，ITS）实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据，利用自回归（auto regressive，AR）模型与神经（back-propagation，BP）网络模型对车流量实测数据进行了仿真对比，给出了相应的预测结果。研究发现，两个模型均能有效地对数据进行跟踪与预测，但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。

线性神经网络模型与学习算法.rar

统计学期末课程作业_python自定义实现CNN_KNN_NN_SVM网络模型源码+说明文件.zip 【CNN实现】 cnn1.py: LeNet+ReLU; cnn2.py: 在cnn1的基础上加宽全连接层; cnn3.py: 在cnn2的基础上修改卷积核; cnn4.py: 在cnn3的基础上修改卷积核; cnn5.py: 在cnn4的基础上加宽全连接层; cnn6.py: 在cnn3的基础上加宽全连接层; cnn7.py: 在cnn6的基础上加宽全连接层; cnn8.py: 在cnn6的基础上加入Dropout层; 等等 【KNN实现】 knn.py: 标准KNN,k=1,3,5,7,9; 【NN实现】 nn1.py: 784-800-15 (修改激活函数); nn2.py: 784-2500-2000-1500-1000-500-15 (修改激活函数); nn3.py: 在nn2的基础上修改数据预处理方式; 【SVM】 svm.py: 核函数(linear,rbf,poly,sigmoid); 另包含【运行指南】和【最终选择模型】

基于Pytorch框架自定义7层卷积神经网络模型实现垃圾分类系统源码+数据集+项目说明（人工智能期末作业）.zip 垃圾分类 实验要求： 利用深度学习模型完成垃圾分类 图片数据集来源：https://momodel.cn/explore/5d411ace1afd9427c236eab5?type=dataset Result： 使用 PyTorch 自定义 7 层卷积神经网络加 2 层全连接层的分类模型

无标度网络基本实现。

基于LSTM(长短期记忆人工神经网络)_CNN+LSTM_堆叠式LSTM的时间序列预测python源码+超详细注释 以LSTM网络模型为示例，介绍了各种不同数据类型的网络结构 重点包含： 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整

神经网络控制已发展成为“智能控制”的一个新的分支，属先进控制技术，为解决复杂的非线性、不确定、不确知系统的控制问题，开辟了一条新的途径。《神经网络控制》分五章阐述了(人工)神经网络理论基础，基于神经网络的动态系统模型、逆模型及其辨识问题，神经网络控制的多种结构及其设计问题，遗传算法的寻优机理，遗传算法与系统辨识、遗传算法与神经控制问题。 《神经网络控制》适合作为高等工科院校自动控制、信息处理、工业自动化、模式识别与智能控制等专业高年级本科生、研究生的教材或教学参考书，也适用于从事以上专业的工程技术人员阅读。

CNN卷积网络模型visio模板 经典神经网络模板 数学建模常用模板

吉林省永吉县存在大量的斜坡地质灾害，为了给永吉县斜坡地质灾害的防治和预警提供高效直观的分析模型，将吉林省永吉县作为研究区，选取高程、坡度、坡向、剖面曲率、平面曲率、距断层距离、岩性、距河流距离、年均降雨量、地形湿度指数和植被覆盖指数等11 个评价因子，利用神经网络模型进行区域斜坡地质灾害易发性分析，再选用频率比、支持向量机模型进行对比。利用ＲOC曲线对模型的准确性进行验证分析，得出神经网络、频率比和支持向量机模型的成功率分别是91. 3%、89. 3%、90. 2%，预测率分别是87. 3%、84.3%、85. 6%。结果表明: 神经网络模型的精度最高，更适用于永吉县斜坡地质灾害的易发性评价

精心收集的复杂网络基本模型的matlab生成代码。