Matlab神经网络应用设计

实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。 之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。

Acho-bot 使用神经网络的自动瞄准机器人。 它使用OpenCV 3.3 dnn模块和经过改进的MobileNetSSD caffemodel来检测屏幕上具有人形的实体，然后将光标移到它们上方并单击。 为诸如Fornite之类的游戏创建一个自动瞄准机器人是一个操场主意。 入门 先决条件 Python3 安装 pip3 install -r requirements.txt 用法 python3 achobot.py 将会出现一个正在抓屏的窗口，在这些抓屏上正在寻找人员。 找到一个人后，便单击它。 您甚至可以检查它是否与男生一起打开照片。 注意：要退出，将机器人窗口聚焦，请按“ q”。 建于 作为IDE 使每个项目都在库中苦苦挣扎。 贡献 请阅读以获取有关我们的行为准则以及向我们提交请求请求的过程的详细信息。 执照 此项目已获得Apache许可的许可-有关详细信息，请参阅文件。

全部的Matlab神经网络43例源码，和Matlab神经网络43例配套。内容详细，值得学习，和配套的书一起使用效果更好

matlab精度检验代码ECE 5775最终项目 基于神经网络的Xilinx Zedboard上具有固定延迟的语音命令识别方法 ，和的项目。 每个文件夹及其内容的说明如下 audio_lab 它包含Xilinx Vivado和SDK项目，以将位流编程到FPGA并配置如何将数据发送到FPGA。 合并的 这包含我们基于Xilinx Vivado HLS对FPGA综合进行的集成测试，该测试基于3种不同的数据类型。 这些基于float数据类型，双精度float数据类型和Xilinx ap_fixed数据类型。 ap_fixed数据类型具有最快的运行时间，但就位宽而言并不是非常优化。 组件 Matlab的 该文件夹包含用于在MATLAB中生成训练和测试数据的所有必需文件。 在文件中查找更多详细信息 神经网络 该文件夹包含三层神经网络实现。 它学习使用前馈网络，然后进行反向传播。 分类输入以随机顺序输入网络。 在每个输入通过网络馈送之后，将检查每个输出神经元的值，并将其与所需的输出进行比较，以获取误差。 该误差通过层之间的所有边缘传播回去，并且权重在“学习”过程中进行调整。 重复该过程，直到达到期

文本生成 只需几行代码，即可在任何文本数据集上轻松训练您自己的任意大小和复杂度的文本生成神经网络，或使用预先训练的模型快速训练文本。 textgenrnn是上的顶部一个Python 3模块 / 用于创建 S，与许多凉爽特性： 一种现代神经网络体系结构，利用新技术进行注意力加权和跳过嵌入，以加快训练速度并提高模型质量。 在字符级别或单词级别上训练并生成文本。 配置RNN大小，RNN层数以及是否使用双向RNN。 训练任何通用输入文本文件，包括大文件。 在GPU上训练模型，然后使用它们与CPU生成文本。 在GPU上进行训练时，利用功能强大的RNN的CuDNN实现，与典型的LSTM实现相比，可大大缩短训练时间。 使用上下文标签训练模型，从而使其在某些情况下可以更快地学习并产生更好的结果。 您可以在此免费玩textgenrnn并使用GPU训练任何文本文件！ 阅读或以获取更多信息！

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

MATLAB平台：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

简单，可扩展，值得继续研究的方向，可进行对比实验

BP神经网络的利用 输入xy 输出xy，用python语言编写的