matlab-mnist-two-layer-perceptron：在MatLab中实现的两层感知器，用于基于MNIST数据集识别手写数字

单层感知器神经网络matlab代码基于运动图像的单通道脑电分类 Global SIP 2018接受的论文中描述了此代码。 <概述> 该存储库中的Matlab脚本确定了通道，特征和分类器的最佳组合，可最大程度地提高基于单通道EEG的运动图像BCI的分类精度。 频道：22 ch 特征： 功率谱（PS） 灰度共生矩阵（GLCM） 单通道公共空间模式（SCCSP） 分类器： 线性判别分析（LDA） k最近邻居（k-NN） 高斯混合模型（GMM） 随机森林（RF） 多层感知器（MLP） 支持向量机（SVM） 带有PS的SVM和带有SCCSP的MLP在二进制分类中显示一位受试者的分类准确度为86.6％ （平均值：63.5％）。 为了进行评估，我们使用了开放访问数据集。 在使用我们的代码之前，请发送以访问数据。 <代码> 该存储库有一个主要的m.file，该文件由预处理和后处理步骤组成。 在通过预处理步骤保存特征向量之后，可以使用10倍交叉验证来计算分类精度。 另外，您可以通过更改set_config.m文件中的值来更改此框架中的每个参数。 <环境> 马尔巴布R2017a 信号处理工具箱 静力学和机

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