本文来自于CSDN，介绍了BP神经网络原理以及如何使用Python来实现BP神经网络等相关知识。人工神经网络是一种经典的机器学习模型，随着深度学习的发展神经网络模型日益完善.联想大家熟悉的回归问题，神经网络模型实际上是根据训练样本创造出一个多维输入多维输出的函数，并使用该函数进行预测， 网络的训练过程即为调节该函数参数提高预测精度的过程.神经网络要解决的问题与最小二乘法回归解决的问题并无根本性区别.回归和分类是常用神经网络处理的两类问题.感知机(Perceptron)是一个简单的线性二分类器，它保存着输入权重，根据输入和内置的

通过BP、GRNN、ELM、SSA-ELM对样本数据进行回归预测，SSA-ELM优于ELM>GRNN>BP（对自己的数据进行预测只需将样本数据进行替换即可）

基于BP神经网络优化的光子晶体Mach-Zehnder干涉仪折射率传感性能分析。

论文研究-BP神经网络模型的改进.pdf,  本文在深入研究ＢＰ神经网络模型的基础上，提出了对该模型的若干改进技术处理方法，并通过仿真试验．实践表明，这些改进和技术处理方法是有效的．

BP神经网络创建和RBF神经网络基于近红外光谱的汽油辛烷值预测，matlab2021a测试

基于BP神经网络的图像压缩解压缩算法仿真，matlab2021a。 解压缩之后,PSNR大于30，压缩率<0.3

BAT算法工程师深入详细地讲解反向传播（BP）算法，带你轻松入门深度学习！

人工神经网络 BP神经网络算法 梯度下降算法 感知器训练法则，权值，阈值

用c语言实现的bp神经网络代码，上研究生时收集的程序，可供学习神经网络的同学使用，理解bp神经网络。

利用粒子群算法优化bp网络，使得网络更加精确