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

matlab开发-基于谱熵的神经网络同步分析工具。该算法计算了基于相关谱熵的函数连通性。

BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类——语音特征信号分类 BP神经网络的数据分类——语音特征信号分类

这是一个简单的遗传算法一神经网络结合的程序，主要用遗传算法优化神经网络的权值进而达到优化神经网络的目的

自组织多项式神经网络设计，英文论文

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

基于GA_BP神经网络的光伏出力预测 基于GA_BP神经网络的光伏出力预测 详细请见：https://blog.csdn.net/weixin_56691527/article/details/127998147?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22127998147%22%2C%22source%22%3A%22weixin_56691527%22%7D