神經(jīng)網(wǎng)絡(luò)算法的案例
前沿研究丨基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法在增材制造全鏈條中的應(yīng)用
使用布拉格光纖光柵傳感器記錄AE信號(hào)，而選擇的NN算法是波譜卷積神經(jīng)網(wǎng)絡(luò)（SCNN），它是對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的延伸。模型的輸入特征是小波包變換的窄頻帶的相對(duì)能量。輸出特征是對(duì)打印層的質(zhì)量為高、中或差的分類。
200基于matlab的利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練圖片 ￥15.9
基于matlab的利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練圖片，并利用GUI界面讀取圖片，最后將識(shí)別出的圖片數(shù)值返回到GUI界面上。0-10數(shù)字?jǐn)?shù)據(jù)庫已有，可自行添加其他數(shù)據(jù)庫進(jìn)行訓(xùn)練和識(shí)別。程序已調(diào)通，可直接運(yùn)行。
限時(shí) | 《循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)算法與MATLAB程序詳解視頻》
課程介紹
《循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)算法與MATLAB程序詳解視頻》
《循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)與MATLAB程序詳解視頻》共7章81節(jié)視頻，總學(xué)時(shí)726分鐘，合12.1小時(shí)。
主要內(nèi)容包括：視頻課程內(nèi)容介紹及慎拍不拍說明與參考文獻(xiàn)，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)算法基本概念、理論及實(shí)例步驟，原始流行程序RNN.m詳解及可加可改問題，改進(jìn)自適應(yīng)學(xué)習(xí)率RAdam與新優(yōu)RNN程序詳解，新優(yōu)RNN程序可改建議及不同學(xué)習(xí)率對(duì)比與通用模板，股票預(yù)測問題用RNN求解與RNN函數(shù)關(guān)系式寫法，RNN算法對(duì)意大利葡萄酒特征數(shù)據(jù)進(jìn)行識(shí)別分類及圖像識(shí)別分類。全部提供MATLAB代碼程序和PPT課件。提供輔導(dǎo)答疑。
展開 關(guān)于神經(jīng)網(wǎng)絡(luò)的簡介
更換算法之后，Android的語音識(shí)別率提升了25%。這在一定程度上緩解了現(xiàn)有的語音功能存在的語音系統(tǒng)學(xué)習(xí)能力差、語音識(shí)別能力不強(qiáng)以及機(jī)器合成語音太機(jī)械等問題。負(fù)責(zé)這個(gè)項(xiàng)目的科學(xué)家凡豪克表示，“這個(gè)項(xiàng)目在某種程度上讓我們感到驚喜，表明我們只需要改變下模式就能取得相當(dāng)大的改善?！? 事實(shí)上要用神經(jīng)網(wǎng)絡(luò)的算法打造這樣一個(gè)語音系統(tǒng)并不是一件容易的事。首先是用Android系統(tǒng)收集了大量用戶的語音指令，然后將聲音頻譜進(jìn)行分解并送到谷歌的8臺(tái)專用服務(wù)器中。接下來就是分析這些海量的數(shù)據(jù)，擁有享譽(yù)業(yè)界的狄恩及其工程師團(tuán)隊(duì)的谷歌，非常擅長于進(jìn)行數(shù)據(jù)的處理工作。在分析這些樣本時(shí)，研究人員們確定了使用神經(jīng)網(wǎng)絡(luò)這種算法。對(duì)于每一種語言，谷歌可能都會(huì)構(gòu)建出數(shù)種工作模式，例如處理用英語發(fā)出搜索請(qǐng)求等。
盡管神經(jīng)網(wǎng)絡(luò)現(xiàn)在已經(jīng)被廣泛用于語音識(shí)別領(lǐng)域，但是其用途肯定不限于此。下一步，神經(jīng)網(wǎng)絡(luò)最有可能進(jìn)入圖像軟件領(lǐng)域。與分辨聲音的過程類似，神經(jīng)網(wǎng)絡(luò)在分析圖像時(shí)，每一層的圖像探測器會(huì)首先尋找圖像中的一些特征，例如圖像的邊緣。當(dāng)探測完成之后，另一層的軟件就會(huì)將這些邊緣結(jié)合起來，就會(huì)形成圖像的邊角等特征。然后如此反復(fù)下去，識(shí)別的圖像特征就會(huì)越來越清晰、明確，到了最后一層就將所有圖像特征結(jié)合起來，與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行對(duì)比，就能得出圖片里的物體究竟是什么的結(jié)論。前面提到的谷歌狄恩研究小組就采用這種方法，開發(fā)出了一套軟件，已經(jīng)可以通過自學(xué)分辨出網(wǎng)絡(luò)視頻里的貓。或許未來這套軟件將會(huì)推廣到圖片搜索領(lǐng)域，谷歌街景利用這一算法就能區(qū)分出不同事物的特征。 此外，神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域也有施展拳腳的空間，多倫多大學(xué)的一個(gè)研究團(tuán)隊(duì)，已經(jīng)成功地用神經(jīng)網(wǎng)絡(luò)分析出藥物分子在實(shí)際環(huán)境中可能的作用方式。
歡迎關(guān)注微信公眾號(hào)：FESIM有限元分析
展開 
比GPU快15倍，CPU算法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)“超車”成功
原創(chuàng) 青蘋果、LZM 數(shù)據(jù)實(shí)戰(zhàn)派 美國萊斯大學(xué)計(jì)算機(jī)系助理教授 Anshumali Shrivastava 深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN）是人工智能的有力工具，在某些任務(wù)上的表現(xiàn)甚至已經(jīng)超越人類專家的水平。對(duì)這類網(wǎng)絡(luò)的訓(xùn)練，可以看作是一系列矩陣運(yùn)算操作，特別適合交給 GPU 運(yùn)算，它們運(yùn)算效率遠(yuǎn)高于 CPU，但是成本僅僅是 CPU 的 3 倍。 但是現(xiàn)在，情況已有所不同。 近日，來自美國萊斯大學(xué)（Rice University）的計(jì)算機(jī)科學(xué)家們證實(shí)，一種基于 CPU 的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的訓(xùn)練速度遠(yuǎn)超過 GPU 算法，最高速度比后者快 15 倍。 論文名為 Accelerating SLIDE Deep Learning on Modern CPUs: Vectorization, Quantizations, Memory Optimizations, and More 。該工作的突出貢獻(xiàn)在于，提供了在現(xiàn)代 CPU 上實(shí)現(xiàn)深度學(xué)習(xí)的隨機(jī)算法的幾個(gè)新視角。 正如作者之一、萊斯大學(xué)助理教授 Anshumali Shrivastava 所說：“當(dāng)前，訓(xùn)練成本問題是人工智能的現(xiàn)實(shí)瓶頸。一些公司每周花費(fèi)上百萬美元用于訓(xùn)練和微調(diào)神經(jīng)網(wǎng)絡(luò)…… 整個(gè)工業(yè)界都把目光集中于一類改進(jìn) —— 加速矩陣操作。大家都在尋找專用硬件和架構(gòu)加速矩陣運(yùn)算，甚至開始探討堆疊專用硬件來適應(yīng)某一個(gè)深度學(xué)習(xí)模型。 但是，如果我們把目光稍稍移開，將注意力放回到算法上，可以一切都會(huì)不同?！?SLIDE 算法 早在 2019 年，Shrivastava 的實(shí)驗(yàn)室團(tuán)隊(duì)就開始了算法層面加速深度學(xué)習(xí)訓(xùn)練的努力，他們將深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題轉(zhuǎn)化為搜索問題，使用哈希表解決。
展開 基于BP神經(jīng)網(wǎng)絡(luò)的足球結(jié)果預(yù)測軟件開發(fā)
隨著人工智能時(shí)代的到來，越來越多的人期望于將智能算法應(yīng)用到足球結(jié)果預(yù)測中來。本工作室與大輝球經(jīng)網(wǎng)絡(luò)科技有限公司聯(lián)合研發(fā)，基于BP神經(jīng)網(wǎng)絡(luò)的算法，依托于足球比賽的歷史勝負(fù)平、盤口變化、賠率升降等數(shù)據(jù)，開發(fā)了一套預(yù)測足球比賽結(jié)果的軟件。本軟件只做宣傳用，不再進(jìn)行銷售。
二。軟件介紹
軟件界面如下所示：
軟件總共展示6張圖形，第一行第一張圖為箱型圖，主要是展示異常數(shù)據(jù)；第一行第二張圖為迭代誤差圖，表示使用bp算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分類，產(chǎn)生的分類器的誤差；第一行第三張圖為主要因素與比賽結(jié)果的相關(guān)性，從圖片中相同顏色的點(diǎn)的分布可以看出比賽結(jié)果與哪種因素的關(guān)系比較密切，第二行三張圖為各分量及亞盤分布密度趨勢圖，顯示的是預(yù)測結(jié)果的可能取值。
三。軟件使用
軟件內(nèi)嵌了爬蟲系統(tǒng)，每次更新數(shù)據(jù)后會(huì)自動(dòng)從特定網(wǎng)站獲取當(dāng)日賽事信息，進(jìn)而更新數(shù)據(jù)庫，使用時(shí)，只需輸入當(dāng)前賽事編號(hào)，即可得到該賽事的全部分析結(jié)果。
最后，大家有關(guān)于人工智能的相關(guān)需求可以添加管理員扣扣：3045552826，微信：CAE320，同時(shí)也歡迎大家關(guān)注“320科技工作室”的微信公眾號(hào)，掃一掃二維碼即可關(guān)注~~
展開 基于BP神經(jīng)網(wǎng)絡(luò)的足球結(jié)果預(yù)測軟件開發(fā)
隨著人工智能時(shí)代的到來，越來越多的人期望于將智能算法應(yīng)用到足球結(jié)果預(yù)測中來。本工作室與大輝球經(jīng)網(wǎng)絡(luò)科技有限公司聯(lián)合研發(fā)，基于BP神經(jīng)網(wǎng)絡(luò)的算法，依托于足球比賽的歷史勝負(fù)平、盤口變化、賠率升降等數(shù)據(jù)，開發(fā)了一套預(yù)測足球比賽結(jié)果的軟件。本軟件只做宣傳用，不再進(jìn)行銷售。
二。軟件介紹
軟件界面如下所示：
軟件總共展示6張圖形，第一行第一張圖為箱型圖，主要是展示異常數(shù)據(jù)；第一行第二張圖為迭代誤差圖，表示使用bp算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分類，產(chǎn)生的分類器的誤差；第一行第三張圖為主要因素與比賽結(jié)果的相關(guān)性，從圖片中相同顏色的點(diǎn)的分布可以看出比賽結(jié)果與哪種因素的關(guān)系比較密切，第二行三張圖為各分量及亞盤分布密度趨勢圖，顯示的是預(yù)測結(jié)果的可能取值。
三。軟件使用
軟件內(nèi)嵌了爬蟲系統(tǒng)，每次更新數(shù)據(jù)后會(huì)自動(dòng)從特定網(wǎng)站獲取當(dāng)日賽事信息，進(jìn)而更新數(shù)據(jù)庫，使用時(shí)，只需輸入當(dāng)前賽事編號(hào)，即可得到該賽事的全部分析結(jié)果。
最后，大家有關(guān)于人工智能的相關(guān)需求可以添加管理員扣扣：3045552826，微信：CAE320，同時(shí)也歡迎大家關(guān)注“320科技工作室”的微信公眾號(hào)，掃一掃二維碼即可關(guān)注~~
展開 模擬退火、遺傳算法和神經(jīng)網(wǎng)絡(luò)之比較
模擬退火和遺傳算法屬于優(yōu)化領(lǐng)域的，神經(jīng)元網(wǎng)絡(luò)屬于近似模型的國外叫做metamodel（模型的模型），是完全不同的東西，只所以兩者經(jīng)常出現(xiàn)是因?yàn)樵趦?yōu)化問題里神經(jīng)元網(wǎng)絡(luò)扮演著重要角色．一般的有數(shù)學(xué)表達(dá)式的優(yōu)化問題是最簡單的了這中問題是不會(huì)出現(xiàn)神經(jīng)元網(wǎng)絡(luò)的，在工程實(shí)際優(yōu)化過程中，目標(biāo)函數(shù)和優(yōu)化設(shè)計(jì)變量之間是隱函數(shù)的關(guān)系而且可能高度的非線形，并且這種問題一次的計(jì)算機(jī)仿真時(shí)間可能就很長，如果用遺傳算法或者模擬退火的話直接優(yōu)化是相當(dāng)?shù)南臅r(shí)間的，所以很多人引入近似模型的概念，神經(jīng)元網(wǎng)絡(luò)是屬于其中一種，而且可以近似逼近高度非線性的問題．還有就是遺傳算法用到神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方面，不知道大家對(duì)神經(jīng)元網(wǎng)絡(luò)了解多少，其實(shí)神經(jīng)元網(wǎng)絡(luò)沒有那么玄，是有數(shù)學(xué)基礎(chǔ)的，有一種網(wǎng)絡(luò)叫誤差反饋網(wǎng)絡(luò)，這種網(wǎng)絡(luò)在訓(xùn)練過程中是用剃度法不斷調(diào)整權(quán)值直到達(dá)到滿足誤差才算收斂剃度法有個(gè)問題就是求解得到的是局部最優(yōu)．所以就有人在網(wǎng)絡(luò)訓(xùn)練中引入了遺傳算法來訓(xùn)練網(wǎng)絡(luò)權(quán)值．綜上可以看到遺傳算法和神經(jīng)元網(wǎng)絡(luò)的關(guān)系是如此的緊密．
展開 神經(jīng)網(wǎng)絡(luò)中 BP 算法的原理與 Python 實(shí)現(xiàn)源碼解析
神經(jīng)網(wǎng)絡(luò)由三部分組成，分別是最左邊的輸入層，隱藏層（實(shí)際應(yīng)用中遠(yuǎn)遠(yuǎn)不止一層）和最右邊的輸出層。
神經(jīng)網(wǎng)絡(luò)-遺傳算法(BP-GA)在數(shù)學(xué)建模中的應(yīng)用 ￥1
神經(jīng)網(wǎng)絡(luò)-遺傳算法(BP-GA)在數(shù)學(xué)建模中的應(yīng)用
神經(jīng)網(wǎng)絡(luò)芯片的未來發(fā)展，路在何方？
神經(jīng)網(wǎng)絡(luò)芯片NPU（Neural Processing Unit），是為了專門處理神經(jīng)網(wǎng)絡(luò)算法而存在的。NPU的主要競爭對(duì)手，就是大家更熟悉的GPU、特別是英偉達(dá)的GPU。
說是競爭對(duì)手，不如說統(tǒng)治級(jí)的存在更貼切。事實(shí)上，在GPU面前，NPU就是個(gè)弟弟。GPU憑借成熟的生態(tài)和良好的易用性，已經(jīng)占領(lǐng)了AI芯片領(lǐng)域的大部分市場份額。
面對(duì)GPU的統(tǒng)治，NPU能否破局？今天的文章，就為大家解讀四篇來自上一屆DAC大會(huì)的NPU論文，也算是為7月份即將召開的新一屆DAC預(yù)熱一波。一起來看看在研究者的眼中，NPU的破局之路究竟有哪些。
通用與專用：
不可兼得的魚與熊掌？
標(biāo)題意譯：支持細(xì)粒度任務(wù)劃分的基于脈動(dòng)陣列的神經(jīng)網(wǎng)絡(luò)處理器
一句話總結(jié)：在架構(gòu)設(shè)計(jì)中引入少量的額外電路，使得脈動(dòng)陣列能夠支持細(xì)粒度的任務(wù)劃分；通過讓一個(gè)神經(jīng)網(wǎng)絡(luò)處理器同時(shí)完成多個(gè)網(wǎng)絡(luò)模型運(yùn)算的方式，實(shí)現(xiàn)了硬件資源利用率的顯著提升。
技術(shù)細(xì)節(jié)：
對(duì)于神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)，通用性與專用性間最佳的平衡點(diǎn)究竟在哪？這是學(xué)術(shù)界與工業(yè)界都頗為關(guān)注的難題。
拿之前介紹過的脈動(dòng)陣列結(jié)構(gòu)來說，當(dāng)用脈動(dòng)陣列來完成矩陣乘法時(shí)，數(shù)據(jù)流呈現(xiàn)出很規(guī)則、工整的特征，與之對(duì)應(yīng)的是十分簡單的控制邏輯。得益于此，脈動(dòng)陣列結(jié)構(gòu)在神經(jīng)網(wǎng)絡(luò)加速器架構(gòu)中是非常常見的一個(gè)選擇，比如我們可以在Google TPU等產(chǎn)品中看到它的身影。
但這種簡潔其實(shí)是一把雙刃劍，脈動(dòng)陣列在處理網(wǎng)絡(luò)模型時(shí)常常會(huì)面臨因靈活性差導(dǎo)致的硬件資源利用率不夠高的困境。而這篇論文便在這一問題上提供了一種新的思路。
展開 
基于matlab的MTCNN（多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)）人臉檢測算法
關(guān)鍵詞：Matlab；深度學(xué)習(xí)；多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)；人臉檢測；
背景
在不受約束的環(huán)境中，由于個(gè)體姿勢的多樣性、光照條件的變化以及潛在的遮擋問題，人臉檢測和對(duì)齊任務(wù)面臨諸多挑戰(zhàn)。近期的研究表明，深度學(xué)習(xí)技術(shù)在這些任務(wù)上展現(xiàn)出了卓越的性能。本文提出了一種基于深度學(xué)習(xí)的級(jí)聯(lián)多任務(wù)框架，旨在通過檢測與對(duì)齊任務(wù)間的內(nèi)在聯(lián)系來提升整體性能。具體而言，本框架采用由三個(gè)階段組成的深度卷積網(wǎng)絡(luò)，以自底向上的方式預(yù)測人臉及其關(guān)鍵點(diǎn)的位置。此外，本文還提出了一種在線硬樣本挖掘策略，以進(jìn)一步提高實(shí)際應(yīng)用中的性能。本方法在FDDB和WIDER FACE等具有挑戰(zhàn)性的人臉檢測基準(zhǔn)測試以及AFLW人臉對(duì)齊基準(zhǔn)測試中，均實(shí)現(xiàn)了比現(xiàn)有技術(shù)更高的準(zhǔn)確性，同時(shí)保持了實(shí)時(shí)性能。
多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（MTCNN）
MTCNN是由中國科學(xué)院深圳研究院于2016年提出的，用于人臉檢測任務(wù)的深度學(xué)習(xí)模型。該模型能夠在同一框架內(nèi)集成人臉檢測與人臉關(guān)鍵點(diǎn)檢測任務(wù)。MTCNN網(wǎng)絡(luò)結(jié)構(gòu)由三個(gè)階段組成，即P-Net、R-Net和O-Net，形成一個(gè)級(jí)聯(lián)網(wǎng)絡(luò)。該模型采用候選區(qū)域加分類器的方法，兼顧了檢測速度與精度，實(shí)現(xiàn)了快速高效的人臉檢測，如圖1所示。
圖1 MTCNN效果展示說明
方法原理
MTCNN是一種用于人臉檢測的深度學(xué)習(xí)算法。它由多個(gè)階段組成，每個(gè)階段都執(zhí)行特定的任務(wù)，例如區(qū)域提議、特征提取和邊界框回歸。下面是一個(gè)簡化的流程圖，描述了使用MTCNN進(jìn)行人臉檢測的一般步驟：
輸入圖像：將待檢測的圖像輸入到MTCNN模型中。
階段1：快速區(qū)域提議：使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）來快速生成人臉候選區(qū)域。這個(gè)階段通常使用P-Net，它能夠快速地從圖像中提取出可能包含人臉的區(qū)域。
生成多個(gè)候選區(qū)域：P-Net輸出多個(gè)候選區(qū)域，這些區(qū)域是可能包含人臉的矩形框。
展開 卷積神經(jīng)網(wǎng)絡(luò)原理用于機(jī)器學(xué)習(xí)“修復(fù)”3D打印金屬零件
神經(jīng)網(wǎng)絡(luò)的高級(jí)算法
根據(jù)3D科學(xué)谷的市場觀察，LLNL正在將卷積神經(jīng)網(wǎng)絡(luò)原理用于機(jī)器學(xué)習(xí)“修復(fù)”3D打印金屬零件，通過神經(jīng)網(wǎng)絡(luò)的高級(jí)算法用于實(shí)時(shí)來分析構(gòu)建質(zhì)量，并就就如何改進(jìn)構(gòu)建質(zhì)量提出建議。LLNL正在朝著一鍵打印的目標(biāo)努力。
Wayne King所在的LLNL國家實(shí)驗(yàn)室從2011年就引入了3D打印技術(shù)，目前擁有200多名科學(xué)家從事增材制造工作。作為全球領(lǐng)先的3D打印增材制造研究中心之一，LLNL配有三個(gè)3D打印實(shí)驗(yàn)室，這些實(shí)驗(yàn)室所從事的是具有前沿探索以及商業(yè)化轉(zhuǎn)化價(jià)值的研究。
多年來，勞倫斯利弗莫爾國家實(shí)驗(yàn)室的工程師們使用傳感器和成像技術(shù)來分析金屬3D打印背后的物理和過程，以便每次都能夠首次構(gòu)建高質(zhì)量的金屬零件?，F(xiàn)在，他們正在利用機(jī)器學(xué)習(xí)來實(shí)時(shí)處理3D構(gòu)建期間獲得的數(shù)據(jù)，可以在幾毫秒內(nèi)檢測構(gòu)建是否是高質(zhì)量的。更確切地說，他們正在開發(fā)卷積神經(jīng)網(wǎng)絡(luò)（CNN），這是一種通常用于處理圖像和視頻的算法，通過觀察大約每段10毫秒的視頻來預(yù)測部件是否良好。
用于下圍棋，也可用于預(yù)測3D打印結(jié)果
根據(jù)業(yè)內(nèi)專家，卷積神經(jīng)網(wǎng)絡(luò)是近些年逐步興起的一種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu), 因?yàn)槔镁矸e神經(jīng)網(wǎng)絡(luò)在圖像和語音識(shí)別方面能夠給出更優(yōu)預(yù)測結(jié)果, 這一種技術(shù)也被廣泛的傳播可應(yīng)用. 卷積神經(jīng)網(wǎng)絡(luò)最常被應(yīng)用的方面是計(jì)算機(jī)的圖像識(shí)別, 不過因?yàn)椴粩嗟貏?chuàng)新, 它也被應(yīng)用在視頻分析, 自然語言處理, 藥物發(fā)現(xiàn), 等等。包括Alpha Go, 讓計(jì)算機(jī)看懂圍棋, 同樣也是有運(yùn)用到這門技術(shù)。
那么卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算原理是怎樣的呢？ “卷積” 和 “神經(jīng)網(wǎng)絡(luò)”. 卷積也就是說神經(jīng)網(wǎng)絡(luò)不再是對(duì)每個(gè)像素的輸入信息做處理了,而是圖片上每一小塊像素區(qū)域進(jìn)行處理, 這種做法加強(qiáng)了圖片信息的連續(xù)性。 使得神經(jīng)網(wǎng)絡(luò)能看到圖形, 而非一個(gè)點(diǎn)。
展開 225 基于matlab的天牛須優(yōu)化算法及其對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化 ￥12.2
基于matlab的天牛須優(yōu)化算法及其對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，優(yōu)化后的閥值權(quán)值賦予網(wǎng)絡(luò)預(yù)測。最后輸出BP和BAS-BP訓(xùn)練和預(yù)測結(jié)果。程序已調(diào)通，可直接運(yùn)行。
248 基于matlab的GA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測 ￥12.9
基于matlab的GA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測，遺傳算法優(yōu)化來訓(xùn)練RBF網(wǎng)絡(luò)權(quán)值，RBF優(yōu)化后的結(jié)果用于預(yù)測。輸出真實(shí)值、RBF預(yù)測結(jié)果、GA-RBF預(yù)測結(jié)果，并進(jìn)行對(duì)比。程序已調(diào)通，可直接運(yùn)行。
神經(jīng)網(wǎng)絡(luò)算法的相關(guān)專題、標(biāo)簽、搜索
神經(jīng)網(wǎng)絡(luò)算法遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)算法matlab神經(jīng)網(wǎng)絡(luò)算法螺栓神經(jīng)網(wǎng)絡(luò)算法matlab神經(jīng)網(wǎng)絡(luò)算法matlab神神經(jīng)網(wǎng)絡(luò)算法神經(jīng)網(wǎng)絡(luò)遺傳算法算法優(yōu)化神經(jīng)網(wǎng)絡(luò)鯨魚算法神經(jīng)網(wǎng)絡(luò)
