简单bp神经网络区分异或问题，简单写的，也许实现的不是很好

多类别心脏疾病预测 使用ANN进行多个类别的心脏病预测

UCI甲状腺分类-​​Python，Keras，scikit-learn，ANN 该项目是针对UCI-甲状腺疾病数据集上的分类问题而创建的。 它使用ANN进行预测。 预测类为： 1-甲状腺功能亢进 2次普通 3-普通 数据集 UCI资料库中的甲状腺疾病。 框架/库 凯拉斯 scikit学习 入门 这些说明将使您简要了解如何设置环境并在本地计算机上运行以进行开发和测试。 先决条件 python3.5或更高版本 凯拉斯 scikit学习 麻木 大熊猫 设置和运行测试 运行python -V检查安装 安装所有必需的库。 从终端执行以下命令以运行测试： python main.py 注意：

matlab精度检验代码ANN MNIST分类器（从头开始） 用于人工神经网络分类的MATLAB代码。 该ANN只能有一个隐藏层。 该网络是从头开始编码的，这意味着它不使用MATLAB Deep Learning Toolbox之类的东西。 我这样做是因为我想了解ANN背后的所有数学原理。 另外，从头开始编写所有代码使我能够进行细微的更改，这些更改在使用框架时可能会很困难。 对这个项目的提交很少，因为我决定在完成后将其添加到GitHub。 运行代码 只需按下运行按钮（f5），即可运行网络。 我建议使用ctrl + enter逐节运行它，因为您可能不希望它每次都作图。 另一个原因是存在pooling.m替换了主代码的DATA INITIALIZATION部分。 如果要最大程度地合并输入数据，请运行pooling.m，然后逐节运行主代码（ANN_mnist.m），跳过第一节。 代码流 首先，代码从两个csv文件读取数据。 一种用于训练数据。 一种用于测试数据。 然后制作目标矩阵，并对输入数据进行归一化并以零为中心。 接下来，创建权重矩阵，并初始化网络的许多超参数。 最终，使用随机后裔来训练

使用机器学习技术预测肝炎疾病 内容 1.简介2.属性3.框图4.算法和分类器5.获得的结果6.结论 介绍 医学诊断是一项重要且非常复杂的任务，需要准确识别。 重要的是要在适当的时间诊断出疾病并尽早治愈。 肝脏是人体的重要组成部分。 影响肝功能的严重疾病之一是肝炎，它会引起肝脏炎症。 这项工作的主要目的是通过使用不同的ML工具和神经网络体系结构训练同一数据集，并选择那些诊断肝炎疾病的最佳工具来对特定数据集进行比较研究。 属性 属性 价值 年龄 否（1），是（2） 数值 否（1），是（2） 性别 否（1），是（2） 男（1），女（2） 否（1），是（2） 类固醇 否（1），是（2）v 大肝 否（1），是（2） 肝脏公司 否（1），是（2） 蜘蛛网 否（1），是（2） 抗病毒药 否（1），是（2） 疲劳 否（1），是（2） 马拉丝 否（1），是（2） 脾可触及 否

LM-BP

自带测试数据集(sklearn样本集），自编程实现bp算法，梯度下降，最终还用matplotlib可视化展示决策边界结果。

分位数人工神经网络的构建，培训和测试

Maven更新问题 今天Maven在更新的时候发现一直更新不成功，总结下解决方法。 在apache-maven-3.5.2/conf/setting.xml中加入以下配置即可解决 alimaven aliyun maven http://maven.aliyun.com/nexus/content/repositories/central/ central junit junit Address/ http://jcenter.bintray.com/ central alimaven aliyun maven htt

用于质量分析的预测模型成为不断提高激光焊接工艺的可靠性，效率和安全性的最关键要求之一。 进行无损质量评估的准确有效模型是该评估的重要组成部分。 本文提出了一种结构化方法，旨在设计一种有效的基于人工神经网络的模型，以预测低碳镀锌钢激光搭接焊中焊缝的尺寸特征。 该建模方法是基于对激光焊接参数（例如激光功率，焊接速度，激光束直径和间隙）对焊缝尺寸特征（例如熔深，顶部表面宽度和界面宽度）的直接影响和相互作用影响进行分析的。 该分析中使用的数据来自根据Taguchi方法进行的结构化实验研究以及基于3D建模和仿真工作的详尽FEM。 使用析因设计，开发，实施和评估了不同的基于神经网络的预测模型。 使用实验数据对模型进行了训练和测试，并辅以3D仿真生成的数据。 结合各种统计工具的保持测试和k倍交叉验证被用于评估激光焊接参数对模型性能的影响。 结果表明，所提出的方法成功地产生了一个一致的模型，该模型提供了可变焊接条件下焊缝尺寸特征的准确和可靠的预测。 最佳模型的三种焊接质量特征的预测误差均低于7％。