本书利用目前国际上流行通用的MATLAB环境，结合神经网络工具箱4.0版本，在深入浅出地介绍人工神经网络中的各种典型网络如：感知器、自适应线性元件、反向传播网络、反馈网络、自组织竞争网络、特性图等人工神经网络结构、功能、学习规则以及训练过程的基础上，利用MATLAB工具箱进行网络的设计与应用，给出各种神经网络在不同应用中的网络性能分析与直观的图形结果。使读者更加透彻地了解各种神经网络的性能及其优缺点，从而达到正确、合理和充分应用人工神经网络的目的。 本书可作为计算机、电子学、信息科学、通讯控制等专业的高年级本科生、研究生以及其他专业科技人员学习神经网络或学习MATLAB及其神经网络工具箱式的教材或工具箱。

遗传算法matlab工具箱介绍-遗传算法matlab工具箱介绍.pdf 发现了个好东东~不知道论坛上有没有，反正我是很兴奋，找这样的书找了好半天了，从网上找的资料实在是让我看的云里雾里啊，唉~好好学习下，哈~不懂的再来问，希望能有帮助~~ P.S：发过这个的人或者高手别笑话我~我是新手，我可是抱着诚恳的心在学习的~~因为自己见到了这本书比较兴奋所以想跟大家分享下，所以，你们要有也不要泼我冷水啊啊啊......反正你们也没发给我......

rmse mae计算代码matlab 磁场插值工具箱 该工具箱包含MATLAB代码，该代码实现了用于插值3D磁场的各种数学插值方法。 这段代码是写在纸上的。 电磁导航系统建模，Charreyron SL，Boehler Q.，Kim B.，Weibel C.，Chautems C.，Nelson BJ 该代码用于生成本文插值部分中使用的实验数据，以及生成该部分的图。 我的博士学位论文的第二章也使用了同样的方法。 实施方法 三三次3D插值（TRI-3D） 三三次标量位插值（TRI-LPL） 带高斯内核的3D RBF（RBF-G-3D） 高斯核（RBF-G-DF）的无散度RBF 具有多二次内核的3D RBF（RBF-MQ-3D） 具有多二次核的无散度RBF（RBF-MQ-DF） 3D B样条插值（SPL-3D） 具有拉普拉斯约束（SPL-LPL）的3D B样条插值 文件组织 data/包含这些实验生成的所有数据作为.mat文件。 figures/包含所有这些实验所产生的图形 “ generic /”包含一些不需要在磁场上使用的辅助函数 models/包含使用公共插值器接口实现的所有方法 o

基于mnist数据库的CNN卷积神经网络训练不使用matlab工具箱，matlab2021a仿真运行

捷克人用matlab实现的统计模式识别工具箱，11年的版本，包含核主成分分析（KPCA）等多个算法，非常棒适合学习。

自己编写的SVM支持向量机分类算法matlab仿真。不适用matlab工具箱，也不适用第三方工具箱。 case 'svc_c', C = p1; n = length(Y); H = (Y*Y').*kernel(ker,X,X); f = -ones(1,n); A = []; b = []; Aeq = Y'; beq = 0; lb = zeros(n,1); ub = C*ones(n,1); a0 = zeros(n,1); [a,fval,eXitflag,output,lambda]=quadprog(H,f,A,b,Aeq,beq,lb,ub,a0,options);

可以用于各种数据挖掘和信息检索任务的matlab工具箱，利用matlab中稀疏矩阵这种结构，尤其适合于文本挖掘应用。

挪威大学做的水下机器人matlab工具箱,matlab源码

执照： 软件许可协议（BSD许可） Saurav Agarwal版权所有（c）2013，保留所有权利。 如果满足以下条件，则允许以源代码和二进制形式进行重新分发和使用，无论是否经过修改，都可以： 重新分发源代码必须保留上述版权声明，此条件列表和以下免责声明。 二进制形式的重新分发必须在分发随附的文档和/或其他材料中复制以上版权声明，此条件列表以及以下免责声明。 未经事先明确的书面许可，不得使用印度理工学院，孟买的名称或其贡献者的姓名来认可或促销从该软件衍生的产品。 版权持有者和贡献者按“原样”提供此软件，不提供任何明示或暗示的担保，包括但不限于针对特定目的的适销性和适用性的暗示担保。 版权拥有者或贡献者在任何情况下均不对任何直接，间接，偶发，特殊，专有或后果性的损害（包括但不限于，替代商品或服务的购买，使用，数据，或业务中断），无论基于合同，严格责任或侵权行为（包括疏忽或其他

MatConvNet有一个简单的设计理念。它并没有将CNN包裹在复杂的软件层面上，而是直接将MATLAB命令直接展现为计算CNN构建模块的简单函数，如线性卷积和ReLU运算符。这些构建块很容易组合成完整的CNN，并可用于实现复杂的学习算法。尽管提供了几个真实的小型和大型CNN结构和训练例程，但仍可以利用MATLAB原型设计的高效性回到底层构建自己的结构。通常不需要C编码来实现新的结构。因此，MatConvNet是计算机视觉和CNN研究的理想场所