用java开发的bp神经网络实现异或操作，准确率100%，关键是有动画演示程序的运行

从网上下载的遗传算法优化bp网络代码使用不是很方便： 1）直接运行没有仿真结果，必须在命令窗口仿真才能得到结果； 2）使用者必须修改里面的隐层及输出层节点数，而隐层节点数有三个文件必须修改。 3）必须主程序里面修改训练样本 4）没有进行仿真的反归一化参数。 所以修改后是：训练样本与测试样本放在一个矩阵中进行归一化，根据使用者需求，修改主函数部带星号标示的行即可[只需修改一处（一般情况下即可满足要求）]，运行主函数： [tsp net]=GABPNET(XX,YY,YJ,SCC) %XX输入的训练样本与测试样本 %YY训练样本输出值 %YJ隐层节点数 %SCC输出层节点数 %tsp训练样本及测试样本输出值，列对应列 %net训练好的神经网络

BP网络matlab数据预测代码通过机器学习进行DET预测 随着废水处理中数据的增加，数据驱动的机器学习模型可用于对生物过程和复杂React进行建模。 但是，很少有数据驱动的模型可用于模拟微生物电解池（MEC），而传统模型过于模棱两可，无法理解其机理。 在这项研究中，首先开发了一种新的通用数据驱动的两阶段模型，该模型通过直接电子传输（DET）通过生物阴极MEC的原位沼气升级预测CH 4的产生，该模型称为NARX-BP混合神经网络。 与传统的一阶段模型相比，该模型可以很好地预测通过DET产生的甲烷的性能（R 2和MES分别为0.918和6.52×10 -2 ），并揭示了沼气升级的机理，用于新的系统模型该方法可以通过输入重要的中间变量来提高通用性和适用性。 此外，该模型通常可用于支持厌氧消化或更复杂系统的长期预测和最佳操作。 1，需求环境 Matlab 2017b 2.主要 该项目包括NARX-BP混合神经网络的模型和代码。 3.出版 通过直接电子转移估算微生物电​​解池中原位沼气的升级：基于NARX-BP混合神经网络的两阶段机器学习模型 该研究的论文尚不可用。 4.版本 V.0.0.1

遗传算法和BP网络相结合的分类器在BCI中的应用.pdf

Matlab 中的Simulink 提供了大量的可用于实现BP 网络的模块,通过应用Simulink 中的模块构建了一个BP 网络,并通过一实例验证了所构建的BP 网络的可行性. 从而使应用BP 网络来解决许多领域的实际问题变得非常方便和有效.

BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递, 误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理, 直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出, 则转入反向传播,根据预测误差调整网络权值和阈值,从而使B P神经网络预测输出不断逼近期望输出。

Qt编写的BP神经元网络训练程序，对给定数据进行训练，回想。并对给定数据进行泛化测试。

基于BP网络的个人信贷信用评估，数据取自德国信用数据库，含代码和数据

bp网络代码 matlab 这是BP和CNN网络的matlab实现。 这些代码用于简单的人工神经网络。

基于MATLAB的BP网络数字图像预测器设计.pdf