BP神经网络详解与实例_BP算法_神经网络_机器学习_马尔科夫链，是一个专门介绍神经网络的详细文档，对于机器学习与神经网络学习中的概念与含义有详细阐述，并对马尔科夫链有样例

结合深海集矿机的实际作业环境，建立集矿机的实时避障神经网络模型。该模型采用多传感器融合技术，将声纳传感器采集到的环境信息进行处理后作为BP神经网络的输入；设定车体的注视向量、转向角和速度为网络输出；根据集矿机实际行进情况，并综合人的行走经验，设置能够实现实时避障的网络导师训练信号。引入遗传算法对已建立BP避障模型进行改进，以克服局部极小值问题。仿真研究表明：遗传算法优化后的BP神经网络，能够有效训练达到预期目标，并能在很大程度上克服BP网络的局部极小值问题。在Matlab中给出障碍物环境中的避障仿真结果，

有兴趣研究神经网络的朋友下来看看，资源中的一些知识个人认为不错

包含： BP神经网络的matlab实例原理详解 BP神经网络matlab源程序的样例代码 matlab通用神经网络代码

BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。 数学推导网上有很多，需要明确的就一点，神经网络学习是通过样本来不断调整输入层至隐含层的权值wi ,隐含层至输出层的权值wo，以及对应的阈值 bi 和 bo ，属于黑盒，设置完参数即可。

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.

0积分下载，代码运行效果图见压缩包

BP神经网络的详细介绍，包括基本算法及理论，方便初学者学习掌握

煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。

通过bp神经网路和证据理论的信息处理，是系统对火灾信息的报警信息更加准确