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. BP神经网络VC++实现

  2. 这是BP神经网络的源代码。我把网络有关的运算和数据结构都封装在一个类里面了。网络的相关运算有：1、网络的输入输出接口，即训练数据的输入，各层权值和节点阈值的输出；2、网络的学习，包括前向传播运算和反向传播运算，误差估计，权值阈值修改；3、网络预测的实现等等。其中网络的学习算法采用变步长和加动量项的优化学习算法，经过我的实验对网络的学习效率有很大提高。其他可以自己推敲了。

  3. 所属分类：网络基础

    • 发布日期：2010-03-24
    • 文件大小：6144
    • 提供者：shangjie87

  1. 神经网络PID设计完整版

  2. 本科毕业设计，论文，word版 摘 要 目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时,却很难保证控制品质。因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的

  3. 所属分类：网络基础

    • 发布日期：2010-08-01
    • 文件大小：1048576
    • 提供者：ay2599

  1. 毕业设计_神经网络控制算法仿真

  2. 目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。但当运行工况发生较大变化时,却很难保证控制品质。因此本文研究基于BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。本处用一个多层前向神经网络，采用

  3. 所属分类：C/C++

    • 发布日期：2011-04-28
    • 文件大小：1048576
    • 提供者：wawajj

  1. 变结构神经网络自适应鲁棒控制

  2. 很好的学习文档 大家一起来学习下 控制器的设计交流

  3. 所属分类：咨询

    • 发布日期：2012-05-11
    • 文件大小：513024
    • 提供者：dlmuyy

  1. ESN回声状态网络基础PPT

  2. ESN(回声状态状态网络)作为一种新型的递归神经网络，无论是建模还是学习算法，都已经与传统的递归神经网络差别很大。 ESN网络特点：（1） 它的核心结构是一个随机生成、且保持不 变的储备池（Reservoir）（2）其输出权值是唯一需要调整的部分（3）简单的线性回归就可完成网络的训练

  3. 所属分类：讲义

    • 发布日期：2016-11-06
    • 文件大小：2097152
    • 提供者：jieshuo3532

  1. cnn卷积神经网络

  2. cnn卷积神经网络 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SI

  3. 所属分类：其它

    • 发布日期：2019-04-11
    • 文件大小：575
    • 提供者：sdfgegefdg

  1. chap-卷积神经网络.pdf

  2. 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）

  3. 所属分类：深度学习

    • 发布日期：2019-05-09
    • 文件大小：996352
    • 提供者：qq_42336700

  1. python卷积神经网络实现

  2. 卷积神经网络python实现。 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial

  3. 所属分类：Python

    • 发布日期：2019-05-22
    • 文件大小：31744
    • 提供者：qq_36784544

  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：431104
    • 提供者：weixin_39841365

  1. 变结构神经网络学习

  2. 变结构神经网络学习，武俊峰，，提高神经网络模型推广能力的关键是控制模型的复杂度.该文探索了神经网络的变结构建模方法,通过给定网络参数的幅值分布,在给定数据

  3. 所属分类：其它

    • 发布日期：2020-02-01
    • 文件大小：447488
    • 提供者：weixin_38632763

  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：1048576
    • 提供者：zrg_hzr_1

  1. 简单理解RNN循环神经网络

  2. 简单理解RNN循环神经网络RNN(Recurrent Neural Network）介绍图说RNN宏观结构图说RNN微观结构 RNN(Recurrent Neural Network）介绍 介绍： RNN，也就是循环神经网络，是用来建模序列化数据的一种主流的深度学习模型。传统的前馈神经网络处理的输入往往都是一个定长向量，较难应对变长的序列信息，就算把序列处理成定长的向量，模型也很难捕捉序列中的长距离依赖关系。而RNN中的每个神经元能够运用其内部变量保存之前输入的序列信息，将所有神经元串行就可以处

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：140288
    • 提供者：weixin_38601878

  1. 基于卷积神经网络（ＣＮＮ）的植物状态检测系统

  2. 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invarian

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：134144
    • 提供者：weixin_38518638

  1. ferminet:用于从头算电子结构计算的Fermionic神经网络的实现-源码

  2. FermiNet：Fermionic神经网络 David Pfau，James S. Spencer，Alex G de G Matthews和WMC Foulkes，Phys。 Rev.Research.2，033429（2020年）。 FermiNet是一个神经网络，用于使用变分蒙特卡洛方法学习原子和分子的基态波函数。 安装 pip install -e .将安装所有必需的依赖项。最好在完成此操作。 virtualenv -p python3.7 ~/venv/ferminet sourc

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：81920
    • 提供者：weixin_42115513

  1. 新颖的神经网络逆建模方法及其应用

  2. 使用神经网络设计微波器件时,经常用到神经网络逆向模型。对于复杂的器件输入输出关系,直接逆向建模方法无法满足精度的要求,而其他精度可以满足要求的逆建模方法又具有结构复杂、计算量大等缺点,提出一种新颖的设计微波器件的逆建模方法。该方法只需建立神经网络正向模型,并在保持其权值不变的基础上,通过自适应调节最速下降法学习速率更新正模型的输入参数,使模型输出与理想输出误差达到最小,实现逆模型的功能。此方法没有单独建立逆模型,却能实现逆模型的功能,因此比其他方法简单很多。自适应学习速率的引入进一步改善了模型的

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：1048576
    • 提供者：weixin_38748875

  1. 广义变量参数HMM的深度神经网络瓶颈特征

  2. 最近，深度神经网络（DNN）在自动语音识别（ASR）系统中的声学建模中变得越来越流行。 由于它们产生的瓶颈特征具有固有的区别性，并且包含影响表面声学实现的丰富隐藏因素，因此标准方法是在串联框架中通过瓶颈特征来增强常规声学特征。 在本文中，研究了结合瓶颈特征的替代方法。 使用广义可变参数HMM（GVP-HMM）对声学特征与DNN瓶颈特征之间的复杂关系进行建模。 自动学习最佳的GVP-HMM结构配置和模型参数。 与Aurora 2上的基线多样式HMM和串联HMM系统相比，相对错误率分别降低了48％和

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：230400
    • 提供者：weixin_38733367

  1. 如何用PyTorch实现递归神经网络？

  2. 从Siri到谷歌翻译，深度神经网络已经在机器理解自然语言方面取得了巨大突破。这些模型大多数将语言视为单调的单词或字符序列，并使用一种称为循环神经网络（recurrentneuralnetwork/RNN）的模型来处理该序列。但是许多语言学家认为语言最好被理解为具有树形结构的层次化词组，一种被称为递归神经网络（recursiveneuralnetwork）的深度学习模型考虑到了这种结构，这方面已经有大量的研究。虽然这些模型非常难以实现且效率很低，但是一个全新的深度学习框架PyTorch能使它们和其

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：291840
    • 提供者：weixin_38663113

  1. 神经网络简史：BP算法后的又一突破—信念网络

  2. 本文于微信，介绍了多层前馈神经网络是普适模拟器，神经网络进入无监督学习时期，迎来信念网络等。随着训练多层神经网络的谜题被揭开，这个话题再一次变得空前热门，罗森布拉特的崇高雄心似乎也将得以实现。直到1989年另一个关键发现被公布，现在仍广为教科书及各大讲座引用。多层前馈神经网络是普适模拟器（universalapproximators）。」本质上，可以从数学证明多层结构使得神经网络能够在理论上执行任何函数表达，当然包括XOR（异或）问题。然而，这是数学，你可以在数学中畅想自己拥有无限内存和所需计算

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：360448
    • 提供者：weixin_38504170

  1. 神经网络简史：BP算法后的又一突破—信念网络

  2. 本文于微信，介绍了多层前馈神经网络是普适模拟器，神经网络进入无监督学习时期，迎来信念网络等。随着训练多层神经网络的谜题被揭开，这个话题再一次变得空前热门，罗森布拉特的崇高雄心似乎也将得以实现。直到1989年另一个关键发现被公布，现在仍广为教科书及各大讲座引用。 多层前馈神经网络是普适模拟器（universalapproximators）。」本质上，可以从数学证明多层结构使得神经网络能够在理论上执行任何函数表达，当然包括XOR（异或）问题。然而，这是数学，你可以在数学中畅想自己拥有无限内存和所需计

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：360448
    • 提供者：weixin_38704156

  1. 循环神经网络经典模型

  2. 详细地介绍了经典的RNN、RNN几个重要变体，以及Seq2Seq模型、Attention机制。 #一、从单层网络谈起 在学习RNN之前，首先要了解一下最基本的单层网络，它的结构如图： #二、经典的RNN结构（N vs N） 如： 自然语言处理问题。x1可以看做是第一个单词，x2可以看做是第二个单词，依次类推。 语音处理。此时，x1、x2、x3……是每帧的声音信号。 时间序列问题。例如每天的股票价格等等 序列形的数据就不太好用原始的神经网络处理了。为了建模序列问题，RNN引入了隐状态h（hid

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：331776
    • 提供者：weixin_38714532
« 12 3 »