粒子群算法(PSO)优化BP神经网络分类预测,PSO-BP分类预测，多特征输入模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

TensorFlow2实战-系列教程1：搭建神经网络进行分类任务 TensorFlow2实战-系列教程2：搭建神经网络进行回归任务 导包读数据 标签制作与数据预处理 基于Keras构建网络模型 更改初始化方法 加入正则化惩罚项 展示测试结果 - activation：激活函数的选择，一般常用relu - kernel_initializer,bias_initializer：权重与偏置参数的初始化方法 - kernel_regularizer，bias_regularizer：要不要加入正则化 - inputs：输入，可以自己指定，也可以让网络自动选 units：神经元个数

鲸鱼算法(WOA)优化BP神经网络分类预测,WOA-BP分类预测，多特征输入模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

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。

BP神经网络分类程序 学习分类方法 多个程序都可以运行 数据处理

针对现阶段基于图像检测的板形识别在缺陷的检出率普遍较低以及检测速度慢等问题，文中提出了一种基于计算机图像处理的板形识别系统，其通过直方图均衡化与高帽变换对初始图像进行处理，并通过边缘检测算法提取轮廓，然后利用BP神经网络分类器进行缺陷识别与分类。其在实验及实际工业生产中，均具有较高的识别率，可达到约90%，且还具有较好的板形识别效果。

山东大学人工智能导论实验4工程文件-利用神经网络分类红色和蓝色的花 详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125627113 内容： 利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2 数据集： 2分类数据集flower，红色和蓝色点的“花”。使用X, Y = planar_utils.load_planar_dataset()加载数据集，X为样本，共有400个，Y为样本对应的标签，0表示红色，1表示蓝色。 目标：建立具有隐藏层的完整神经网络 善用非线性单位 实现正向传播和反向传播，并训练神经网络 了解不同隐藏层大小（包括过度拟合）的影响 代码要求：1.定义模型结构2.初始化模型的参数3.循环计算当前损失（前向传播），请使用Relu激活函数。计算当前梯度（反向传播）更新参数（梯度下降） 文档要求：对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐

人工智能-多层前向神经网络分类器的泛化问题研究.pdf

一种基于粗糙集理论的神经网络分类器的设计

基于神经网络的分类器，能够实现识别功能，附有源代码