LM-BP

它是用于线性可分割数据分类的单层单神经元。它实现了 Rosenblatt 的第一个神经网络算法。 它是用于线性可分割数据分类的单层单神经元。它实现了 Rosenblatt 的第一个神经网络算法。 它包含三个文件： PerecptronTrn.m：感知器学习算法（训练阶段） PerecptronTst.m：感知器分类算法（测试阶段） MyPerecptronExample.m : 一个简单的例子，生成数据并对数据应用上述函数并绘制结果欢迎提出相关问题。

生物医学工程实验，单层感知器的设计，1.使用 Matlab 编程实现单层感知器。2. 调节学习率η，观察对于不同学习率算法的收敛速度（迭代次数） 3. 用单层感知器处理非线性分类问题，观察结果。

多层感知器神经网络 多层感知器神经网络的实现（多层感知器 - MLP） - 语言：C++ MLP（多层感知器）是一种前馈神经网络，可将输入数据集映射到适当的输出集。 MLP 由有向图中的几层节点（顶点）组成，每一层都完全连接到下一层。 除了输入节点，每个节点都是一个具有激活函数的神经元。 MLP 使用监督训练，也就是说，您显示输入和相应的输出来训练网络。 如果你有一个数据集，通常 70% 用于训练，30% 用于测试，这可能会有很大差异。 MLP 网络训练过程（葡萄牙语缩写为 PMC）使用反向传播算法，也称为广义增量规则。 训练的第一阶段是前向传播，其中将样本插入网络输入并逐层传播，直到产生相应的输出。 这样做只是为了从网络获得响应。 输出产生的响应与相应的期望响应进行比较。 产生偏差（错误），然后应用反向传播方法的第二阶段，即反向传播（反向传播）。 在这个阶段，网络中所有神经元

通过人工神经网络算法与参数灵敏度分析的结合，找到了一种新的工程系统功能模拟和变化分析方法。神经网络可以有效地解决复杂、非线性系统的功能模拟问题，其传递函数的可微性为参数灵敏度矩阵的求解提供了保证，从而方便寻找系统输入属性与输出属性之间的影响因子。同时，该模型具有良好的扩展性，可以更加全面地考虑系统影响因素。经实例仿真分析表明：该方法在工程分析方面，能够快速找到属性之间的关联程度，得到准确、稳定的分析结果，满足工程分析需求。

本程序（有注释）已经经过调试，在matlab7.0环境下正常运行，并且程序中包含用已经训练好的感知器来训练新的样本，有问题的话可以再联系我。

感知器进行线性分类，结果经过验证，希望可以帮到有需要的人

Rosenblatt感知器C++代码，详细描述见http://blog.csdn.net/adatec/article/details/18140257

线性分类的简单实现，配有数据集

代码是关于神经网络中BP算法的程序，没有调库。根据公式写的算法。数据集是鸢尾花数据集，直接运行main文件，即可看到实验结果。 pre函数为预测函数。