搜索资源列表
BP算法
- BP算法,采用连接权重的神经迭代算法实现自学习(Optimizing the connection weights through the reverse BP neural network learning algorithm)
Kyle Simpson You Dont Know JS ES6 & Beyond
- 有了这本书，你会： 学习新的语法，简化编程常用成语的痛点 用迭代器、生成器、模块和类组织代码 承诺结合发电机表示异步流控制 使用集合以结构化方式更有效地处理数据 利用新的API助手，包括数组、对象、数学、数字和字符串 通过元编程扩展程序的功能(No matter how much experience you have with Javascr ipt, odds are you dont fully understand the language. As part of the Y
em
- 机械学习算法，用于求解OFDM系统中基于循环前缀的定时同步的迭代方法(Mechanical learning algorithm for solving the iterative method of timing synchronization based on cyclic prefix in OFDM system)
em(1)
- 机械学习算法，用于求解OFDM系统中基于循环前缀的定时同步的迭代求解方法(Mechanical learning algorithm for solving the iterative method of timing synchronization based on cyclic prefix in OFDM system)
matlab_file
- 利用深度学习的思想，进行了50次循环迭代，并将最终学习得到的成果通过表格的形式展示出来(Using the idea of deep learning, 50 cycles are carried out, and the results of the final learning are displayed in the form of a form.)
KochDrawV2 (1)
- 用python做一个分形图形-koch雪花，非常适合刚学python的新手学习函数的迭代.(Using Python to make a fractal -koch snowflake, it is very suitable for Python learning new iterations.)
Untitled2
- BP神经网络基本原理概述：这种网络模型利用误差反向传播训练算法模型，能够很好地解决多层网络中隐含层神经元连接权值系数的学习问题，它的特点是信号前向传播、误差反向传播，简称BP（Back Propagation）神经网络。BP学习算法的基本原理是梯度最快下降法，即通过调整权值使网络总误差最小，在信号前向传播阶段，输入信号经输入层处理再经隐含层处理最后传向输出层处理；在误差反向传播阶段，将输出层输出的信号值与期望输出信号值比较得到误差，若误差较大则把误差信号传回隐含层直至输入层，在各层神经元中使用
GraphCPro
- 现有一个景区，景区里面有若干个景点。现欲开发景区信息管理系统，对景点的信息进行管理。使用图的数据结构来保存景区景点信息，为用户提供创建图、查询景点信息、旅游景点导航、搜索最短路径、铺设电路规划等功能。 使用C++语言，通过对景区信息管理系统的四次迭代开发，实现以下主要学习目标： 1)掌握图的定义和图的存储结构，图的创建方法及其应用 2)掌握图的两种遍历方法及其应用 3)掌握迪杰特斯拉（Dijkstra）算法及其应用 4)理解最小生成树的概念、掌握普里姆（Prim）算法及应用(T
som算法
- 机器学习中的som算法，用来聚类分析的，代码中 :param X: 形状是N*D， 输入样本有N个,每个D维 :param output: (n,m)一个元组，为输出层的形状是一个n*m的二维矩阵 :param iteration:迭代次数 :param batch_size:每次迭代时的样本数量 初始化一个权值矩阵，形状为D*(n*m)，即有n*m权值向量，每个D维
antenna array.txt
- %待优化的目标函数：fitness %待优化函数阵元数目D %粒子数目：N %学习因子1：c1 %学习因子2：c2 %惯性权重：w %最大迭代次数：M %问题的维数：D %目标函数取最小值时的自变量值：xm %目标函数的最小值：fv