注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 随机信号处理的新方法

  2. 年来，高阶谱H(igher一derrsPectar一05)和神经网络引起了广泛的兴趣。在理论研究 和应用方面都取得很大的进展。我们研究高阶谱主要有下歹纽三方面的原因:提取偏离高 斯特性以外的信息;恢复信号的正确的相位信息;在时间序列分析中，检测和表征信号的 非线性特性。在时间序列分析和系统辨识中，利用神经网络的一个主要原因就是前向神 经网络逼近任意连续有界函数的能力。 本论文基于高阶谱和神经网络，在随机信号的处理方面作者作了以下几方面的工作: 我们首先提出Sims-aPi一l让改de回归神经网

  3. 所属分类：其它

    • 发布日期：2009-10-28
    • 文件大小：9mb
    • 提供者：xueying9827

  1. 神经网络 hopfield

  2. 神经网络 hopfield 1982年，J．Hopfield提出了可用作联想存储器的互连网络，这个网络称为Hopfield网络模型，也称Hopfield模型。Hopfield神经网络模型是一种循环神经网络，从输出到输入有反馈连接。Hopfield网络有离散型和连续型两种。

  3. 所属分类：网络基础

    • 发布日期：2010-01-25
    • 文件大小：230kb
    • 提供者：yangyangjunjunb

  1. 神经网络BP代码

  2. Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。

  3. 所属分类：嵌入式

    • 发布日期：2011-07-05
    • 文件大小：72kb
    • 提供者：waterfreeking

  1. BP神经网络

  2. 神经网络 BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层之间不存在相互连接，隐层可以有一个或多个。构造一个BP网络需要确定其处理单元--神经元的特性和网络的拓扑结构。神经元是神经网络最基本的处理单元，隐层中的神经元采用S型变换函数，输出层的神经元可采用S型或线性型变换函数。神经网络学习采用改进BP算法，学习过程由前向计算过程 和误差反向传播过程组成。通过对误差的修改使得最终网络的实际输出与各自所对应的期望输出逼近。

  3. 所属分类：医疗

    • 发布日期：2014-03-19
    • 文件大小：34kb
    • 提供者：u014212672

  1. bp算法实现.rar

  2. BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。

  3. 所属分类：网络基础

    • 发布日期：2008-12-03
    • 文件大小：6kb
    • 提供者：zhangjia520955

  1. bp-pid的S型函数

  2. BP神经网络是一种具有多层前馈型结构的神经网络，其结构中包含有隐含层。主要是通过采取最速下降法调节网络中各个神经元之间连接权值，使网络获得最小的误差。S函数的编写运行，需根据需要输入相应的数值。

  3. 所属分类：机器学习

    • 发布日期：2017-11-17
    • 文件大小：13kb
    • 提供者：loyalminister

  1. 神经网络算法

  2. 人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。就神经网络的主要连接型式而言，目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。

  3. 所属分类：机器学习

  1. bp模型优化预测与matlab仿真，pid参数优化

  2. BP（Back Propagation）神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程，

  3. 所属分类：机器学习

  1. 大脑、知觉模型和计算机模拟

  2. 现代神经生物学的研究表明，大脑的知觉活动可能和脑里神经脉冲的图型有关。为了充分评价这一假设的含义并在计算机上模拟知觉过程，必须研究神经元是如何工作的；它们之间是如何通信的；它们是如何组织成局部的或散布的网络的，以及神经元之间的连接是如何随经验而改变的。

  3. 所属分类：深度学习

    • 发布日期：2019-01-24
    • 文件大小：228kb
    • 提供者：weixin_44617916

  1. Matlab关于人工神经网络在预测中的应用的论文一-基于Matlab的BP神经网络煤炭需求预测模型.pdf

  2. Matlab关于人工神经网络在预测中的应用的论文一-基于Matlab的BP神经网络煤炭需求预测模型.pdf 一、基于Matlab的BP神经网络煤炭需求预测模型 摘要：煤炭是中国的基础能源，支撑着国民经济的商邃发展。在未来的一段时期，煤炭的基础能源地位不会改变。要合理利用煤炭资源，保证我国经济的健康发展，煤炭错求的预测必不可少。近年来煤炭需求的预测存在一定的不足，精度较低。本文基于Matlab技术的双隐层BP神经网络对煤炭需求进行模拟分析，通过实际数据检验和实证分析，预测了未来五年的煤炭需求量。

  3. 所属分类：其它

    • 发布日期：2019-08-13
    • 文件大小：421kb
    • 提供者：weixin_39841365

  1. Matlab关于人工神经网络在预测中的应用的论文一-基于BP神经网络的电动小巴需求预测.pdf

  2. Matlab关于人工神经网络在预测中的应用的论文一-基于BP神经网络的电动小巴需求预测.pdf 一、基于Matlab的BP神经网络煤炭需求预测模型 摘要：煤炭是中国的基础能源，支撑着国民经济的商邃发展。在未来的一段时期，煤炭的基础能源地位不会改变。要合理利用煤炭资源，保证我国经济的健康发展，煤炭错求的预测必不可少。近年来煤炭需求的预测存在一定的不足，精度较低。本文基于Matlab技术的双隐层BP神经网络对煤炭需求进行模拟分析，通过实际数据检验和实证分析，预测了未来五年的煤炭需求量。 关键词：前

  3. 所属分类：其它

    • 发布日期：2019-08-13
    • 文件大小：293kb
    • 提供者：weixin_39841848

  1. 生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生

  2. 生成对抗网络（ AN）一经提出就风光无限，更是被Yann L un誉为“十年来机器学 习领域最有趣的想法”。 GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展 至今已经衍生出了诸多变化形态。望伪图像的分布尽可能地接近真图像。或者,简单来说,我们想要伪图像尽可能看起 来像真的一样。 值得一提的是,因为GANs是用极小化极大算法做优化的,所以训练过程可能会很不稳 定。不过你可以使用一些“小技巧”来获得更稳健的训练过程。 在下面这个视频中,你可以看到GANs所生成图片

  3. 所属分类：深度学习

    • 发布日期：2019-07-02
    • 文件大小：1mb
    • 提供者：abacaba

  1. 基于BP神经网络模型的国家脆弱性问题的求解

  2. 随着人类社会的进步和发展，环境对一个国家的影响不容小觑，其中气候变化对人类生活方式产生深远意义和影响，进而改变国家的脆弱性，本文基于人工智能理论构建了一个国家脆弱性评价模型并利用相关系数法讨论气候变化如何影响区域的不稳定性，发现气候变化对区域稳定性有着举足轻重的作用。问题重述 1.1问题背景 候变化通过对区域稳定性产生影响,进而改变国家的脆弱性,当它与薄弱的政府 治理和社会分裂相结合时,可以引发一系列的暴力恶性事件,通常沿着潜在的民族和政 治分歧发展。早在20世纪90年代,这一概念就已经为一些主

  3. 所属分类：其它

    • 发布日期：2019-03-15
    • 文件大小：1mb
    • 提供者：zrg_hzr_1

  1. 第8章机器学习.ppt

  2. 机器学习的基本过程 西洋跳棋程序的具体学习过程 决策树学习 信息增益 基本的决策树学习算法——ID3算法 ID3算法举例 人工神经网络 MP模型 布尔函数的神经元实现 神经网络学习机制：有监督学习方式（神经网络根据实际输出与期望输出的偏差，按照一定的准则调整各神经元连接的权系数）、无监督学习方式（神经网络仅仅根据其输入调整连接权系数和阈值） 前馈型BP网络 反馈型Hopfield网络 马尔可夫模型 朴素贝叶斯分类器

  3. 所属分类：机器学习

    • 发布日期：2020-12-13
    • 文件大小：3mb
    • 提供者：qq_44631615

  1. 一类Lurie型非线性系统的分布式无线网络H-∞控制

  2. 提出了一种通过无线神经控制网络（WNCN）解决一类离散时间非线性系统的分布式控制问题的新方法。 称为延迟标准神经网络模型（DSNNM）的统一Lurie型模型用于描述这些非线性系统。 我们假设WNCN中所有具有有限的能量，存储空间和计算能力的神经元节点都可以被视为一个子控制器，那么整个WNCN的特征是一个网状结构，其中部分连接的神经元分布在广阔的地理区域内，可以认为是完全分布的非线性输出反馈动态控制器。 WNCN中不可靠的无线通信链路由衰落信道建模。 基于Lyapunov函数和S程序，使用LMI方

  3. 所属分类：其它

  1. 一种反向串联忆阻突触电路的设计及应用

  2. 忆阻器的记忆效应类似于生物神经系统中突触的功能,其纳米级尺寸、低功耗和高集成度等特性,使得忆阻突触具有仿生智能的信息处理能力,这对构建神经形态系统具有重要意义.本文在改进忆阻器模型的基础上,设计了一种反向串联忆阻开关型突触电路.当开关断开时,周期方波电压对忆阻值(权值)进行调节,实现权值更新;当开关闭合时,突触电路中的忆阻值被用于连接权值来存储信息.该突触电路具有STDP(spike-time-dependent-lasticity)仿生学习能力和阻值线性连续特性.本文将此突触电路应用于交叉阵列

  3. 所属分类：其它

  1. mnist-explanation:在MNIST数据集上试用DNN的复制技术-源码

  2. 简单说明 在该存储库中，我尝试实现G. Montavon等人所述的解释方法。 在他们的Methods for Interpreting and Understanding Deep Neural Networks中的文章[1] 神经网络实施 在他们的原始论文中，研究人员就使用哪种深度神经网络（DNN）提供了建议，以最大程度地提高其解释性。 我们将遵循以下建议： 根据需要使用尽可能少的完全连接的层，并通过辍学来训练这些层 大量使用求和池层，并且比其他类型的池层更喜欢它们 在线性层（卷积和完全连接

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：468kb
    • 提供者：weixin_42136826

  1. nanonn:神经网络的纳米框架-源码

  2. 纳诺 NanoNN是用于神经网络的纳米框架。 或者，如果您愿意，可以使用不同的编程语言来收集玩具神经网络的实现。 它绝不是Tensorflow或PyTorch的替代品，但您可能会发现此项目对业余项目，嵌入式系统和教学目的很有用。 没有什么比可以玩的玩具代码更好的教了。 特征 顺序前馈神经网络。 完全连接的密集层。 各种激活函数：S型，SoftMax，ReLU，漏泄的ReLU和线性，可选偏差，可定制的成本函数。 可以从外部（即从训练有素的Tensorflow模型）导入每层的权重和偏差。

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：427kb
    • 提供者：weixin_42168902