参考我的第一篇文章

机器学习+BP神经网络+北邮自动化机器学习课程作业+实验

基于颜色和BP神经网络的车牌定位和识别系统（程序，设计说明文档，ppt，供参考学习，严禁无脑copy） 第一章 引言 1.1车牌识别的研究意义 1.2车牌识别系统现状 1.3 车牌识别系统研究内容 1. 4 章节安排 第二章 基于颜色和BP神经网络的车牌定位 2.1 彩色图像显示 2.2 色彩空间RGB到Cr Cb的转换 2.3 BP神经网络原理 2.4基于Cr Cb的神经网络车牌定位 第三章 车牌字符定位与字符分割 3.1 图像投影技术 3.2 基于图像投影技术的车牌字符定位与分割技术 第四章 基于颜色和BP神经网络的字符识别 4.1 车牌字符库的建立 4.2 基于BP神经网络的字符识别 第五章 结论 参考资料 致 谢

粒子群优化与其它基于群体的进化算法相比，它们均初始化为一组随机解，通过迭代搜寻最优解。PSO将每一个可能产生的解表述为群中的一个微粒，每个微粒都具有自己的位置向量和速度向量，以及一个由目标函数决定的适应度。本文首先介绍了基本的粒子群算法的理论和基本算法流程，然后介绍了模糊聚类的相关知识。从而对基于粒子群的聚类分析有更进一步的认识，然后在本文的第三章，通过MATLAB对该算法进行了仿真，并通过分析几张手动输入图片进行仿真分析，发现采用不同的距离方法均能实现图片的模糊聚类。

全连接神经网络 应用 手写数字识别0〜9 使用mnist训练集 训练集为50000张图片 测试集为10000张图片 达到的效果拟合度99.70％，测试集上准确率98.38％ ，在训练了28个epoth获得 算法细节 使用反向传播算法计算梯度dw和db 采用L2正则化 采用随机梯度下降算法 min-batch大小为10 使用fmincg高级优化算法执行渐变下降的单次迭代 数据归一化 参数初始化 生成第l层的w和b，k为第l-1层的神经元个数 使用方差为1 / k的高斯分布生成w，方差为1的高斯分布生成b 这一定幅度加快了训练速度，详细联系作者 对输出层采用softmax层，得到每个类别概率分布的输出 更多测试细节 不同超参数得到的训练结果报告 详细数据报告联系作者 超参数 训练集上拟合度 测试集上准确率 训练的epoth数 未优化的bp神经网络 优化算法改变，将fminunc改成fmincg

安全技术-网络信息-神经网络BP算法的研究及在气象业务中的应用研究.pdf

安全技术-网络信息-融合排水知识的BP网络与水力模型在城市内涝模拟中的研究.pdf

安全技术-网络信息-融合群智能方法BP神经网络模型及其在股市预测中的应用.pdf

BP神经网络详解-最好的版本 非常好的文档

NET 的结构在“RVFLNs 的综合评估”中有描述张乐，PN Suganthan，信息科学学习系统在“Modified BP Algorithm”、Verma BK 和穆拉卡 JJ, 1994 这两种方法在这些代码中结合