从BP神经元模型和RBF神经元模型几何意义出发，将仿生模式识别理论引入到神经网络分类中，提出了一种基于仿生模式识别的构造型神经网络分类方法，通过构造不同结构神经元结合的神经网络，实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖。实验证明该算法是非常有效的。

神经元大汇总集合了网路上各种对于Matlab神经网问题的研究与总结，很适合初学者学习。

Quadratic IF神经元模型matlab仿真程序，代码亲测有效，参数自调

3*3卷积核与2*5卷积核对神经元大小的设置 #这里kerner_size = 2*5 class CONV_NET(torch.nn.Module): #CONV_NET类继承nn.Module类 def __init__(self): super(CONV_NET, self).__init__() #使CONV_NET类包含父类nn.Module的所有属性 # super()需要两个实参，子类名和对象self self.conv1 = nn.Conv2d(1, 32, (2, 5), 1, padding=0) self.conv2 = nn.Conv2d(32, 1

提出一种NNC-PID电液位置伺服控制系统的设计方法。采用PC机+DSP为主控制器，NNC自学习、自适应对PID参数自整定的控制算法，以满足在非线性、参数时变性、不确定性条件下，对机械手电液位置伺服系统进行高精度和快速响应的控制要求。与常规PID控制的对比实验表明，该系统由于具有自学习和实时调整PID参数的能力，使系统很快收敛于位置稳态值，同时对参数时变表现出良好的鲁棒性，很好地解决了液压系统的非线性和参数时变问题，具有良好的定位精度和伺服跟踪性能。

1.2人工神经元模型 人工神经元是人工神经网络操作的基本信息处理单位,是神经网络设计的基础。 人工神经元模型可以看成是由三种基本元素组成： 一组连接 一个加法器 一个激活函数 生物神经网络 人类的大脑大约有1.41011个神经细胞，亦称为神经元。每个神经元有数以千计的通道同其它神经元广泛相互连接，形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元，对信息进行分布式存储与加工，这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。为了进一步模拟人脑的形象思维方式，人们不得不跳出冯．诺依曼计算机的框架另辟蹊径。而从模拟人脑生物神经网络的信息存储、加工处理机制入手，设计具有人类思维特点的智能机器，无疑是最有希望的途径之一。 人工神经网络 用数学和物理方法从信息处理的角度对人脑生物神经网络进行抽象，并建立某种简化模型，就称为人工神经网络Artificial Neural Network，缩写 ANN）。人工神经网络远不是人脑生物神经网络的真实写照，而只是对它的简化、抽象与模拟。这是因为到目前为止，人类对神经系统内的电信号和化学信号是怎样被用来处理信息的只有十分粗浅的认识。揭示人脑的奥妙不仅需要各学科的交叉和各领域专家的协作,还需要测试手段的进一步发展。尽管如此，这种简化模型的确能反映出人脑的许多基本特性。目前已提出上百种人工神经网络模型。

在目前的 Simulink 模块中没有找到关于 BP 神经网络的封装，所以说单独使用不能完美的进行设计仿真，这时用到了S函数来连接MATLAB与Simulink的程序，神经网络学习算法于此构造，学习速率为 xite，惯性因子为 alfa，隐含层加权系数为 wi，输出层加权系数为 wo，完成仿真前首先要初始化，仿真开始后首先建立一个传递函数，然后对其进行离散化提取出分子和分母，三个输出分别对应 PID 参数中的Kp、Ki、Kd，然后是对参数的不断更新，该环节反复进行，每次数据方向传播回来后与之前的误差对比，在所有的运行过程中每个神经元的权值和阀值都会自动调整，直到取得最佳解或者达到指定次数才会停止更新。

MATLAB神经网络之PID神经元网络解耦控制算法_多变量系统控制.zip

MATLAB源程序6 PID神经元网络解耦控制算法_多变量系统控制.zip

LIF脉冲神经元的Matlab实现代码。