1 2 3 4 567 8 9 10 ... 39 / 39 页下一页

楼主: yanzhouguang

[课件资源] 神经网络相关知识和程序实现

[复制链接]

字体大小: 正常放大

MCM2010

0 主题	4 听众	289 积分

升级 94.5%

TA的每日心情

	衰 2012-3-26 22:38

签到天数: 3 天

[LV.2]偶尔看看I

自我介绍: 200 字节以内

不支持自定义 Discuz! 代码

51^#

发表于 2009-11-19 11:25 |只看该作者

|招呼Ta 关注Ta |邮箱已经成功绑定

感谢楼主啦，正在找这方面的东西，肯定会很有用的

我也说一句

发表

使用道具举报

红蜻蜓3

5 主题	4 听众	26 积分

升级 22.11%

该用户从未签到

52^#

发表于 2009-11-22 20:09 |只看该作者 |招呼Ta 关注Ta

狂顶狂顶狂顶狂顶狂顶狂顶狂顶狂顶狂顶

我也说一句

发表

使用道具举报

olh2008

88 主题	42 听众	1万积分

船长

TA的每日心情

	开心 2018-9-1 14:36

签到天数: 86 天

[LV.6]常住居民II

群组: Latex研学群

群组: 数学建模

群组: Mathematica研究小组

群组: LINGO

群组: Matlab讨论组

53^#

发表于 2009-11-26 17:19 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

顶一下,哈哈

我也说一句

发表

使用道具举报

leabclove

0 主题	4 听众	67 积分

升级 65.26%

该用户从未签到

54^#

发表于 2009-11-26 18:26 |只看该作者 |招呼Ta 关注Ta

顶一下,好牛啊。。。。。。。。。。。。。。

我也说一句

发表

使用道具举报

angieyihua

1 主题	3 听众	475 积分

升级 58.33%

该用户从未签到

群组: 四川农业大学数学建模协会

55^#

发表于 2009-12-9 22:56 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

谢谢楼主~~~~~~~~~~~~~~~~~~~~~~~

我也说一句

发表

使用道具举报

insomnia319

0 主题	2 听众	1 积分

升级 20%

该用户从未签到

56^#

发表于 2009-12-28 09:33 |只看该作者 |招呼Ta 关注Ta

谢谢
谢谢（本文来自于数学中国社区，网址为http://www.madio.net/mcm）

我也说一句

发表

使用道具举报

mathplayw

0 主题	3 听众	172 积分

升级 36%

该用户从未签到

自我介绍: 喜欢看书，不喜欢说太多话

群组: 数学建模

群组: Matlab讨论组

57^#

发表于 2010-1-16 19:16 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

好资料呀
十分感谢，我要好好学习学习，再次感谢

我也说一句

发表

使用道具举报

Yuechangyuan

0 主题	3 听众	61 积分

升级 58.95%

该用户从未签到

58^#

发表于 2010-1-22 13:51 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

1．神经网络神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。

我也说一句

发表

使用道具举报

Yuechangyuan

0 主题	3 听众	61 积分

升级 58.95%

该用户从未签到

59^#

发表于 2010-1-22 13:52 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

ppt：
智能及其实现
ANN基础
Perceptron
BP
CPN
统计方法
Hopfield网与BAM
ART

我也说一句

发表

使用道具举报

Yuechangyuan

0 主题	3 听众	61 积分

升级 58.95%

该用户从未签到

60^#

发表于 2010-1-22 13:53 |只看该作者 |招呼Ta 关注Ta |邮箱已经成功绑定

代码，部分：
%创建一个感知器网络，参见2.3节
net = newp([0 1;-2 2],1);
%感知器的P和阈值
net.iw{1,1}
net.b{1}
P = [0 1 0 1; 0 0 1 1];
T = [0 0 0 1];
%对感知器进行训练
net = train(net,P,T);
net.iw{1,1}
net.b{1}
%初始化感知器
net = init(net);
net.iw{1,1}
net.b{1}