人工神經網絡c語言實現，采用了神經網絡最常用的bp算法
上傳時間： 2013-12-02
上傳用戶：caozhizhi
基于C語言的遺傳算法實現人工模擬與仿真，原作者為同濟大學的王小平
標簽： 基于C語言
上傳時間： 2015-05-04
上傳用戶：dujia90
人工神經網絡，希望對大家有所幫助，關于算法和介紹
標簽： 人工神經網絡
上傳時間： 2015-06-01
上傳用戶：sxdz86
遺傳算法（Genetic Algorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱并行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳算法的這些性質，已被人們廣泛地應用于組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。
標簽： 算法
上傳時間： 2016-05-09
上傳用戶：2017我們結婚吧
基于人工神經網絡實現智能機器人的避障軌跡控制摘 要：利用人工神經網絡中的二級 BP網。模擬智能機器人的兩控制參數(左 、右輪速)間的函數關系。實現避 障軌跡為圓弧或橢圓弧的軌跡控制 。并且通過調整橢圓長、短軸大小。能實現多個及多層障礙物的避障控制．該方法 的突出特點是方法簡單、算法容易實現 。使機器人完成多個及多層避障動作時。不滯后于動態環境里其它機器人(障 礙物)位置的變化．在仿真實驗中。取得了理想的效果． 關鍵詞；BP神經網絡I多個及多層避障控制I橢圓軌跡1 弓I言(Introduction) 在機器人中，避障軌跡的生成是一個重要的問 題．對于不確定的動態環境下的實時避障軌跡生成， 是較為困難的．有關這方面的研究，目前已有許多方 法．一些神經網絡模型被設計出來，產生實時的軌跡 生成．文獻113[23提供的神經網絡模型產生的軌跡 生成僅能處理在靜態環境下及假設空間中沒有障礙 物的情況．[3]提供的神經網絡模型，能為智能機器 人產生導航的避障軌跡，然而模型在計算上相當復 雜．文獻[43提供了Hopfield神經網絡模型，能在動 態環境下產生時實的避障軌跡生成，并在文獻[5] 中，嚴格證明了因該方法生成的軌跡沒有遭受局部 極小點逃離問題．并且文獻[63用兩個神經網絡層疊 加起來，每層構造相似于[43中的網絡結構．它是利 用第二層網絡來發現下一個機器人位置的無監督模 型，然而它卻加倍了計算量，盡管文獻[4，6]提供的 方法能在動態環境下，產生時實避障軌跡，但都具有 較慢的運動速度，在快速變化的環境下不能恰當地 完成動作執行，因為機器人要比較好地完成避障動 作，必須不能滯后于障礙物動作變化
上傳時間： 2022-02-12
上傳用戶：得之我幸78
人工神經網絡提供了一種普遍且實用的方法從樣例中學習值為實數、離散值或向量的函數反向傳播算法，使用梯度下降來調節網絡參數以最佳擬合由輸入-輸出對組成的訓練集合人工神經網絡對于訓練數據中的錯誤健壯性很好人工神經網絡已被成功應用到很多領域，例如視覺場景分析，語音識別，機器人控制神經網絡學習對于逼近實數值、離散值或向量值的目標函數提供了一種健壯性很強的方法對于某些類型的問題，如學習解釋復雜的現實世界中的傳感器數據，人工神經網絡是目前知道的最有效的學習方法反向傳搖成功例子，學習識別手寫字符，學習識別口語，學習識別人臉生物學動機ANN受到生物學的啟發，生物的學習系統是由相互連接的神經元組成的異常復雜的網絡。ANN由一系列簡單的單元相互密集連接構成的，其中每一個單元有一定數量的實值輸入，并產生單一的實數值輸出人腦的構成，大約有1011個神經元，平均每一個與其他104個相連神經元的活性通常被通向其他神經元的連接激活或抑制最快的神經元轉換時間比計算機慢很多，然而人腦能夠以驚人的速度做出復雜度驚人的決策很多人推測，生物神經系統的信息處理能力一定得益于對分布在大量神經元上的信息表示的高度并行處理
上傳時間： 2022-04-08
上傳用戶：trh505
隨著人類社會的進步，科學技術的發展日新月異，模擬人腦神經網絡的人工神經網絡已取得了長足的發展。經過半個多世紀的發展，人工神經網絡在計算機科學，人工智能，智能控制等方面得到了廣泛的應用。當代社會是一個講究效率的社會，科技更新領域也是如此。在人工神經網絡研究領域，算法的優化顯得尤為重要，對提高網絡整體性能舉足輕重.BP神經網絡模型是目前應用最為廣泛的一種神經網絡模型，對于解決非線性復雜問題具有重要的意義。但是BP神經網絡有其自身的一些不足（收斂速度慢和容易陷入局部極小值問題），在解決某些現實問題的時候顯得力不從心。針對這個問題，本文利用遺傳算法的并行全局搜索的優勢，能夠彌補BP網絡的不足，為解決大規模復雜問題提供了廣闊的前景。本文將遺傳算法與BP網絡有機地結合起來，提出了一種新的網絡結構，在穩定性、學習性和效率方面都有了很大的提高。基于以上的研究目的，本文首先設計了BP神經網絡結構，在此基礎上，應用遺傳算法進行優化，達到了加快收斂速度和全局尋優的效果。本文借助MATLAB平臺，對算法的優化內容進行了仿真實驗，得出的效果也符合期望值，實現了對BP算法優化的目的。關鍵詞：生物神經網絡：人工神經網絡；BP網絡；遺傳算法；仿真隨著電子計算機的問世及發展，人們試圖去了解人的大腦，進而構造具有人類思維的智能計算機。在具有人腦邏輯推理延伸能力的計算機戰勝人類棋手的同時，引發了人們對模擬人腦信息處理的人工神經網絡的研究。1.1研究背景人工神經網絡（Artificial Noural Networks，ANN）（注：簡稱為神經網絡），是一種數學算法模型，能夠對信息進行分布式處理，它模仿了動物的神經網絡，是對動物神經網絡的一種具體描述。這種網絡依賴系統的復雜程度，通過調節內部大量節點之間的關系，最終實現信息處理的目的。人工神經網絡可以通過對輸入輸出數據的分析學習，掌握輸入與輸出之間的潛在規則，能夠對新數據進行分析計算，推算出輸出結果，因為人工神經網絡具有自適應和自學習的特性，這種學習適應的過程被稱為“訓練"。
上傳時間： 2022-06-16
上傳用戶：jiabin
本書系統地論述了人工神經網絡的主要理論和設計基礎，給出了大量應用實例，旨在使讀者了解神經網絡的發展背景和研究對象，理解和熟悉其基本原理和主要應用，掌握其結構模型和基本設計方法，為以后的深入研究和應用開發打下基礎。作者連續11年為電氣信息類專業研究生及本科高年級學生開設“人工神經網絡理論與應用”課程，2002年在多次修改講義和多項科研成果基礎上形成本書的第一版。本書第二版對原書約1/3的內容進行了更新，對保留內容進行了修改。取材注意內容的典型性和先進性，編排注意內容的邏輯性，闡述注重物理概念的清晰性，舉例與思考練習的安排注意了內容的實踐性，常用神經網絡及算法的介紹著重于實用性。
標簽： 人工神經網絡
上傳時間： 2022-06-21
上傳用戶：qingfengchizhu
《現代通信系統盲處理技術新進展---基于智能算法》主要由以下8章組成： 第1章簡要介紹無線通信系統的結構和發展概況，以及其盲處理算法的相關知識。第2章介紹人工神經網絡及相應知識，從BP神經網絡若手研究盲處理問題,同時給出復數域BP神經網絡的信號盲處理方法和該類方法的優缺點說明。在第3章中介紹智能體的概念，并給出基于多智能體系統的盲處理方法。第4章介紹基于支持向量機框架下的盲處理算法，介紹支持向批機的原理，給出基于ε- 支持向量回歸機的信道估計新方法，并介紹基千支持向批回歸方法的MPSK和QAM的盲信號處理方法，然后引入星座匹配誤差函數，并根據線性支持向攪回歸和有序風險最小化原則，由恒模和星座匹配誤差函數聯合組成的新經驗風險項構造一個新的代價函數，進而通過迭代求解優化問題獲得均衡器。第5章介紹神經動力學和反饋神經網絡的相關知識，特別地從神經動力學角度論述連續反饋神經網絡可有效飛作的原因，論述反饋神經網絡權值矩陣對吸引子和相軌跡的影響。并給出如何根據系統接收信號與發送信號之間的子空間關系，構造一個適用于現代通信系統中的盲檢測的特定性能函數和優化問題。第6章分別展示如何基于連續多閾值神經元Hopfield網絡模型實現通信信號盲處理的理論和方法，針對多相制信號的特點給出兩種連續相位多闕值激勵函數形式，并分析討論該兩類激勵函數參數的選擇、分別給出連續多閾值神經元 Hopfield 網絡工作于同步和異步模式下的新能隊函數及其相關證明。介紹采用幅相連續激勵法解決稀疏QAM 信號的盲檢測思路，并針對 QAM 信號的特點，分別給出連續幅度和相位多闕值激勵函數形式，分析討論該類激勵函數的特點。第7章則電在從另一個角度提出采用同相正交振幅連續激勵法解決密集QAM信號盲檢測方法。介紹如何從激勵函數角度分析放大因子選擇的范圍；給出該特定問題的同步和異步運行模式下的新能量函數形式；并證明和分析所設計的能量函數部分定理；介紹在基于反饋神經網絡的信號盲處理方法這一研究課題中發現的幾類現象，包括當信號的統計信息缺失或失真情況下，連續多閾值神經元反饋神經網絡的盲檢測能力：通用高階QMA的激勵函數被使用作為低階QAM信號盲檢測問題時的適用性......
上傳時間： 2022-07-09
上傳用戶：
木書以神經網絡結構為主線，以學習算法為副線，詳細介紹了神經網絡結構和算法步驟，并給出實例和練習，目的是使讀者易看懂，能動手，會應用。主要內容包括：人工神經網絡簡介、單層前向網絡及LMS學習算法、多層前向網絡及BP學習算法、支持向量機及其學習算法、 Hopfield神經網絡與聯想記憶、隨機神經網絡及模擬退火算法、競爭神經網絡和協同神經網絡。每章均給出了基于 MATLAB的仿真實例以及練習。
標簽： 人工神經網絡
上傳時間： 2022-07-12
上傳用戶：
<button id="msmyu"></button>