PSO_bpnn Python 粒子群算法结合神经网络

基于特征提取模型和BPNN的鲁棒车牌检测与字符识别算法

基于PNN神经网络的调制方式识别算法的matlab仿真 %2FSK y_2FSK = func_2FSK(N0); %4FSK y_4FSK = func_4FSK(N0); %BPSK y_2PSK = func_2PSK(N0); %QPSK y_4PSK = func_4PSK(N0);

在matlab环境中搭建PNN网络并应用在变压器故障诊断中去，有相关阅读文档！

参照http://fantasticinblur.iteye.com/blog/1465497，使用js实现BPNN神经网络。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

基于分词与BP网络的文本分类 首先下载整个文件，BP文本分类-语义特征提取.rar主要存放了相关的数据集 代码主要包括： 1.特征提取 首先对文本信息进行分词处理，采用基于字符串匹配的方法： 依次截取一到多个词，并与字典库进行匹配。如二狗，如果匹配到字典中有这个词，则将其分为一个词；发现字典中没有与之匹配的，则说明这个不是一个词语，进行顺序操作， 2.得到分词后的文本之后，就是转换成数字编码，因此电脑没办法识别汉字。这一部分叫特征表示，即用数字的方式表示中文文本，采用的方法是基于词带模型的特征表示 3.通过2我们将文本表示成了数字，但是这样的表示通常都是稀疏的，为此我们利用降维方法，消除掉这些冗余特征。 4. 文本分类，采用的就是bp网络（1）如pca的降维数，维数过高，包含冗余数据，过低又会删除掉重要信息。（2）bp网络结构的调整，如隐含层节点数，学习率等

使用LSTM、GRU、BPNN进行时间序列预测源码+数据集（课设源码）.zip 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业

PNN神经网络评价方法毕业设计(论文)

博文《人工智能识别数字 Digital Recognition SGD》的附带源码 博文《人工智能识别数字 Digital Recognition SGD》的附带源码