BP 神經(jīng)網(wǎng)絡(luò)的基本思想：信號(hào)的正向傳播+誤差的反向傳播。 ? 信號(hào)的正向傳播：輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。 ? 誤差的反向傳播：將輸入誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)來作為修正各單元權(quán)值的依據(jù)。 BP算法屬于δ學(xué)習(xí)規(guī)則類，這類算法被稱為誤差的梯度下降（Gradient Descent）算法。 在此分類器中，本文選擇3層BP神經(jīng)網(wǎng)絡(luò)算法。隱含層節(jié)點(diǎn)數(shù)為3。
標(biāo)簽： BP神經(jīng)網(wǎng)絡(luò) 非線性 分類器
上傳時(shí)間： 2017-05-31
上傳用戶：jplalala
用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)回歸問題 用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)回歸問題
標(biāo)簽： BP神經(jīng)網(wǎng)絡(luò)
上傳時(shí)間： 2021-10-20
上傳用戶：recarry
30個(gè)數(shù)學(xué)建模智能算法及MATLAB程序代碼:chapter10基于粒子群算法的多目標(biāo)搜索算法.rarchapter11基于多層編碼遺傳算法的車間調(diào)度算法.rarchapter12免疫優(yōu)化算法在物流配送中心選址中的應(yīng)用 .rarchapter13粒子群優(yōu)化算法的尋優(yōu)算法.rarchapter14基于粒子群算法的PID控制器優(yōu)化設(shè)計(jì).rarchapter15基于混合粒子群算法的TSP搜索算法 .rarchapter16 基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法.rarchapter17基于PSO工具箱的函數(shù)優(yōu)化算法.rarchapter18魚群算法函數(shù)尋優(yōu).rarchapter19基于模擬退火算法的TSP算法.rarchapter1遺傳算法工具箱.rarchapter20基于遺傳模擬退火算法的聚類算法.rarchapter21模擬退火算法工具箱及應(yīng)用.rarchapter22蟻群算法的優(yōu)化計(jì)算——旅行商問題(TSP)優(yōu)化 .rarchapter23基于蟻群算法的二維路徑規(guī)劃算法.rarchapter24 基于蟻群算法的三維路徑規(guī)劃算法.rarchapter25有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的回歸擬合——基于近紅外光譜的汽油辛烷值預(yù)測(cè).rarchapter26.rarchapter27無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類——礦井突水水源判別.rarchapter28支持向量機(jī)的分類——基于乳腺組織電阻抗特性的乳腺癌診斷 .rarchapter29支持向量機(jī)的回歸擬合——混凝土抗壓強(qiáng)度預(yù)測(cè).rarchapter2基于遺傳算法和非線性規(guī)劃的函數(shù)尋優(yōu)算法 .rarchapter30極限學(xué)習(xí)機(jī)的回歸擬合及分類.rarchapter3基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法 .rarchapter4sa_tsp.rarchapter5基于遺傳算法的LQR控制器優(yōu)化設(shè)計(jì).rarchapter6遺傳算法工具箱詳解及應(yīng)用 .rarchapter7多種群遺傳算法的函數(shù)優(yōu)化算法.rarchapter8基于量子遺傳算法的函數(shù)尋優(yōu)算法 .rarchapter9基于遺傳算法的多目標(biāo)優(yōu)化算法.rar
標(biāo)簽： 數(shù)學(xué)建模 matlab
上傳時(shí)間： 2021-11-28
上傳用戶：
在我國煤礦的生產(chǎn)過程中，人員和設(shè)備的安全始終是煤礦開采最為關(guān)心的問題，煤礦井下瓦斯氣體所引起的爆炸事故，會(huì)造成巨大的人員和財(cái)產(chǎn)損失其中甲烷氣體是瓦斯氣體的最主要的成分。傳統(tǒng)上的甲烷氣體檢測(cè)大都采用化學(xué)檢測(cè)方法，但是該種方法存在很多不足，人們開始研究采用光學(xué)方法代替化學(xué)檢測(cè)的方法。本文采用了基于螞蟻算法的光譜吸收光纖監(jiān)測(cè)系統(tǒng)對(duì)甲烷氣體實(shí)施監(jiān)測(cè)本論文通過對(duì)瓦斯氣體（主要成分是甲烷）檢測(cè)技術(shù)的歷史發(fā)展背景和國內(nèi)外刈其研究現(xiàn)狀的介紹，對(duì)于傳統(tǒng)的甲烷氣體檢測(cè)系統(tǒng)中存在的缺陷和局限性問題分析，提出了基于螞蟻算法的光譜吸收光纖甲烷隘測(cè)系統(tǒng)。首先介紹了氣體光譜吸收原理和螞蟻算法的基本原理，然后詳細(xì)說明了螞蟻BP神經(jīng)網(wǎng)絡(luò)算法，系統(tǒng)采用了型號(hào)為 MXSLD-CS65M5A的激光器，斬波器，測(cè)量氣室等甲烷氣體傳感器系統(tǒng)，通過使用螞蟻BP神經(jīng)網(wǎng)絡(luò)算法對(duì)測(cè)量數(shù)據(jù)進(jìn)行優(yōu)化設(shè)計(jì)，最后選用 Labview軟件對(duì)數(shù)據(jù)進(jìn)行測(cè)量顯示，測(cè)試系統(tǒng)運(yùn)行的可行性。通過實(shí)驗(yàn)，檢驗(yàn)了基于螞蟻算法的光譜吸收光纖甲烷傳感系統(tǒng)的效果，本系統(tǒng)的實(shí)驗(yàn)測(cè)試數(shù)據(jù)可以通過 LabView軟件的設(shè)計(jì)進(jìn)行保存，對(duì)甲烷氣體濃度的檢測(cè)達(dá)到良好的運(yùn)行效果，系統(tǒng)具有實(shí)時(shí)監(jiān)測(cè)和自動(dòng)報(bào)警功能。研究基于螞蟻算法的光譜吸收光纖甲烷傳感系統(tǒng)對(duì)于煤礦安全生產(chǎn)具有十分重要的意義和應(yīng)用前景。
標(biāo)簽： 螞蟻算法
上傳時(shí)間： 2022-03-10
上傳用戶：canderile
《現(xiàn)代通信系統(tǒng)盲處理技術(shù)新進(jìn)展---基于智能算法》主要由以下8章組成： 第1章簡(jiǎn)要介紹無線通信系統(tǒng)的結(jié)構(gòu)和發(fā)展概況，以及其盲處理算法的相關(guān)知識(shí)。第2章介紹人工神經(jīng)網(wǎng)絡(luò)及相應(yīng)知識(shí)，從BP神經(jīng)網(wǎng)絡(luò)若手研究盲處理問題,同時(shí)給出復(fù)數(shù)域BP神經(jīng)網(wǎng)絡(luò)的信號(hào)盲處理方法和該類方法的優(yōu)缺點(diǎn)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(tǒng)的盲處理方法。第4章介紹基于支持向量機(jī)框架下的盲處理算法，介紹支持向批機(jī)的原理，給出基于ε- 支持向量回歸機(jī)的信道估計(jì)新方法，并介紹基千支持向批回歸方法的MPSK和QAM的盲信號(hào)處理方法，然后引入星座匹配誤差函數(shù)，并根據(jù)線性支持向攪回歸和有序風(fēng)險(xiǎn)最小化原則，由恒模和星座匹配誤差函數(shù)聯(lián)合組成的新經(jīng)驗(yàn)風(fēng)險(xiǎn)項(xiàng)構(gòu)造一個(gè)新的代價(jià)函數(shù)，進(jìn)而通過迭代求解優(yōu)化問題獲得均衡器。第5章介紹神經(jīng)動(dòng)力學(xué)和反饋神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，特別地從神經(jīng)動(dòng)力學(xué)角度論述連續(xù)反饋神經(jīng)網(wǎng)絡(luò)可有效飛作的原因，論述反饋神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣對(duì)吸引子和相軌跡的影響。并給出如何根據(jù)系統(tǒng)接收信號(hào)與發(fā)送信號(hào)之間的子空間關(guān)系，構(gòu)造一個(gè)適用于現(xiàn)代通信系統(tǒng)中的盲檢測(cè)的特定性能函數(shù)和優(yōu)化問題。第6章分別展示如何基于連續(xù)多閾值神經(jīng)元Hopfield網(wǎng)絡(luò)模型實(shí)現(xiàn)通信信號(hào)盲處理的理論和方法，針對(duì)多相制信號(hào)的特點(diǎn)給出兩種連續(xù)相位多闕值激勵(lì)函數(shù)形式，并分析討論該兩類激勵(lì)函數(shù)參數(shù)的選擇、分別給出連續(xù)多閾值神經(jīng)元 Hopfield 網(wǎng)絡(luò)工作于同步和異步模式下的新能隊(duì)函數(shù)及其相關(guān)證明。介紹采用幅相連續(xù)激勵(lì)法解決稀疏QAM 信號(hào)的盲檢測(cè)思路，并針對(duì) QAM 信號(hào)的特點(diǎn)，分別給出連續(xù)幅度和相位多闕值激勵(lì)函數(shù)形式，分析討論該類激勵(lì)函數(shù)的特點(diǎn)。第7章則電在從另一個(gè)角度提出采用同相正交振幅連續(xù)激勵(lì)法解決密集QAM信號(hào)盲檢測(cè)方法。介紹如何從激勵(lì)函數(shù)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(yùn)行模式下的新能量函數(shù)形式；并證明和分析所設(shè)計(jì)的能量函數(shù)部分定理；介紹在基于反饋神經(jīng)網(wǎng)絡(luò)的信號(hào)盲處理方法這一研究課題中發(fā)現(xiàn)的幾類現(xiàn)象，包括當(dāng)信號(hào)的統(tǒng)計(jì)信息缺失或失真情況下，連續(xù)多閾值神經(jīng)元反饋神經(jīng)網(wǎng)絡(luò)的盲檢測(cè)能力：通用高階QMA的激勵(lì)函數(shù)被使用作為低階QAM信號(hào)盲檢測(cè)問題時(shí)的適用性......
標(biāo)簽： 無線通信系統(tǒng) 智能算法
上傳時(shí)間： 2022-07-09
上傳用戶：
本書全面而系統(tǒng)地介紹了 MATLAB 算法和案例應(yīng)用，涉及面廣，從基本操作到高級(jí)算法應(yīng)用，幾乎 涵蓋 MATLAB 算法的所有重要知識(shí)。本書結(jié)合算法理論和流程，通過大量案例，詳解算法代碼，解決具 體的工程案例，讓讀者更加深入地學(xué)習(xí)和掌握各種算法在不同案例中的應(yīng)用。 本書共 32 章。涵蓋的內(nèi)容有 MATLAB 基礎(chǔ)知識(shí)、GUI 應(yīng)用及數(shù)值分析、MATALB 工程應(yīng)用實(shí)例、 GM 應(yīng)用分析、PLS 應(yīng)用分析、ES 應(yīng)用分析、MARKOV 應(yīng)用分析、AHP 應(yīng)用分析、DWRR 應(yīng)用分析、 模糊逼近算法、模糊 RBF 網(wǎng)絡(luò)、基于 FCEM 的 TRIZ 評(píng)價(jià)、基于 PSO 的尋優(yōu)計(jì)算、基于 PSO 的機(jī)構(gòu)優(yōu) 化、基本 PSO 的改進(jìn)策略、基于 GA 的尋優(yōu)計(jì)算、基于 GA 的 TSP 求解、基于 Hopfield 的 TSP 求解、基 于 ACO 的 TSP 求解、基于 SA 的 PSO 算法、基于 kalman 的 PID 控制、基于 SOA 的尋優(yōu)計(jì)算、基于 Bayes 的數(shù)據(jù)預(yù)測(cè)、基于 SOA 的 PID 參數(shù)整定、基于 BP 的人臉方向預(yù)測(cè)、基于 Hopfield 的數(shù)字識(shí)別、基于 DEA 的投入產(chǎn)出分析、基于 BP 的數(shù)據(jù)分類、基于 SOM 的數(shù)據(jù)分類、基于人工免疫 PSO 的聚類算法、 模糊聚類分析和基于 GA_BP 的抗糖化活性研究。 本書適合所有想全面學(xué)習(xí) MATALB 優(yōu)化算法的人員閱讀，也適合各種使用 MATALB 進(jìn)行開發(fā)的工 程技術(shù)人員閱讀。對(duì)于相關(guān)高校的教學(xué)與研究，本書也是不可或缺的參考書。另外，對(duì)于 MATLAB 愛好 者，本書也對(duì)網(wǎng)絡(luò)上討論的大部分疑難問題給出了解答，值得一讀。
上傳時(shí)間： 2022-07-26
上傳用戶：
matlab數(shù)學(xué)建模算法全收錄 超清書簽版
標(biāo)簽： matlab 數(shù)學(xué)建模 收錄 算法
上傳時(shí)間： 2013-05-15
上傳用戶：eeworm
視頻圖像格式轉(zhuǎn)換芯片的算法研究
標(biāo)簽： 視頻圖像 格式轉(zhuǎn)換 芯片 算法研究
上傳時(shí)間： 2013-05-25
上傳用戶：eeworm
精通：VISUAL C++指紋模式識(shí)別系統(tǒng)算法及實(shí)現(xiàn)_0
上傳時(shí)間： 2013-06-01
上傳用戶：eeworm
VISUAL+C++指紋模式識(shí)別系統(tǒng)算法及實(shí)現(xiàn)_0
上傳時(shí)間： 2013-04-15
上傳用戶：eeworm
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
<bdo id="ammya"></bdo>
<input id="ammya"></input>