BP神经网络的非线性系统建模（Matlab完整程序和数据） BP神经网络的非线性系统建模（Matlab完整程序和数据） BP神经网络的非线性系统建模（Matlab完整程序和数据）

matlab高功率微波代码智能系统 概述 NTOU-NCE 硕士课程。 三个项目使用了三种不同的智能系统理论，包括模糊理论、进化算法和反向传播神经网络。 这些项目不是靠Matlab工具箱完成的，而是靠我自己的编程能力。 思维导图 课程内容 模糊理论 进化算法 反向传播神经网络 (BPNN) 混合系统 项目01：模糊理论 目标 ： 微波炉的完全模糊控制。 这个微波炉有一些有趣的功能。 安装在此微波炉上的传感器可以检测温度和重量。 利用模糊理论，自动计算，得出适中的功率和运行时间，并根据计算结果对食物进行加热。 这些功能可以减少我们用它来加热食物的时间。 我们只需按一下按钮，食物就会被正确加热。 根据模糊规则和隶属函数，使用COG去模糊，并根据去模糊，绘制两个图表。 模糊规则： R^1：如果温度低而重量重。 然后操作时间长且功率高。 R^2：如果温度低，重量中等。 然后运行时间中等，功率高。 R^3：如果温度低，重量轻。 然后操作时间短且功率高。 R^4：如果温度中等，重量较重。 然后运行时间长，功率中等。 R^5：如果温度中等，重量中等。 然后运行时间中等，功率中等。 R^6：如果温度中

使用matlab编辑的模糊神经网络控制器的源代码，做交流学习所有，可以再此基础上进行修改

Keras可视化工具包 keras-vis是用于可视化和调试已训练的keras神经网络模型的高级工具包。 当前支持的可视化包括： 激活最大化 显着图 类激活图 默认情况下，所有可视化都支持N维图像输入。 即，它推广到模型的N维图像输入。 该工具包通过干净，易于使用和可扩展的界面将上述所有问题归纳为能量最小化问题。 与theano和tensorflow后端兼容，具有“ channels_first”，“ channels_last”数据格式。 快速链接 阅读位于的文档。 日语版为 。 加入闲暇来提问/讨论。 我们正在中跟踪新功能/任务。 如果您愿意帮助我们并提交PR，将非常乐意。 入门 在图像反向传播问题中，目标是生成使某些损失函数最小化的输入图像。 设置图像反向传播问题很容易。 定义加权损失函数 在中定义了各种有用的损失函数。 可以通过实现来定义自定义损失函数。 from vis . losses import ActivationMaximization from vis . regularizers import TotalVariation , LPNorm fil

基于LSTM神经网络的时间序列预测（Python完整源码和数据） 基于LSTM神经网络的时间序列预测（Python完整源码和数据） 基于LSTM神经网络的时间序列预测（Python完整源码和数据）

BSO-BP-BSO算法优化BP神经网络

( 基于BP神经网络的脱机手写汉字识别研究.pdf

粒子群算法优化神经网络权值，是比较好的程序设计，程序的作者是武汉大学的博士

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

王万良AI人工智能及其应用第3版PPT教程： 第10章 专家系统（AI应用3版）.ppt 第11章 自然语言理解（AI应用3版）.ppt 第1章 绪论（AI应用3版）.ppt 第2章 知识表示（AI应用3版）.ppt 第3章 确定性推理方法（AI应用3版）.ppt 第4章 不确定性推理方法（AI应用3版）.ppt 第5章 搜索求解策略（AI应用3版）.ppt 第6章 进化算法及其应用（AI应用3版）.ppt 第7章 群智能算法及其应用（AI应用3版）.ppt 第8章 人工神经网络及其应用（AI应用3版）.ppt 第9章 机器学习（AI应用3版）.ppt