搜索资源列表
ABpTRAININGd
- 自适应步长BP神经网络训练算法，采用最小误差和梯梯度下降法更新权值 ，经测试可直接使用。 -Adaptive step size BP neural network training algorithm, the minimum error and ladder gradient descent to update the weights, has been tested and can be used directly.
BP
- 用C写的简单的神经网络算法，利用训练集学习并建立模型，并对测试集进行分类-Simple neural network algorithm, written in C using the training set of learning and to establish the model, and test set classification
program
- 编写了一个pso优化bp神经网络的程序，应用在分类中。第一步：pso优化bp神经网络得到最优的阈值和权值，第二步bp神经网络把该最优的阈值和权值作为初始阈值和权值，采用动量及自适应学习速率算法进行训练。附件中，是数据和编写的部分程序，tiqushuju是用来提取文本中的数据构造样本集的函数。mubiao是用来构造期望输出的函数。bp是已经编写好的，未使用pso优化的bp神经网络函数。pso是本人编写的pso优化bp神经网络的函数，psobp是采用pso优化的阈值和权值作为bp神经网络的初始权值和
bpsinx
- 采用bp神经网络对函数y=sin（x）进行训练，然后用测试集对训练的函数进行测试，也就是函数逼近sin（x)的曲线-Bp neural network using the function y = sin (x) for training, and then use the test set to test the training function, that is, function approximation sin (x) curve
BP
- 使用VC6.0实现BP神经网络功能，可以进行数据的训练与测试。-Use VC6.0 achieve BP neural network function, you can train and test data.
backnet
- 一个BP神经网络，包括网络初始化，归一化数据，以及数据的训练测试-bp neural network
GRNN
- 基于BP和GRNN神经网络的粮食产量预测研究，通过训练样本和测试样本的交叉验证，实现粮食产量预测效果的最佳化-Prediction of Grain Yield BP and GRNN based training through cross-validation and testing samples, to achieve the best effect of the Grain Production Forecast
BP
- C#人工神经网络编程，实现神经网络的训练，测试和泛化-C# artificial neural network programming, neural network training, testing and generalization
采用BP神经网络进行非线性预测
- 该代码包括单隐含层BP和双隐含层BP。建立基于BP神经网络的预测模型，对数据进行随机排列，选取训练样本和测试样本，训练样本训练网络，测试样本进行验证(The code includes single hidden layer BP and double hidden layer BP. Establish a prediction model based on BP neural network, arrange the data randomly, select training sample
基于遗传算法优化BP神经网络的非线性预测
- 针对BP神经网络的初始权值和阈值是随机选取的弊端，采用遗传算法寻优BP的初始权值和阈值，然后进行BP训练和测试。遗传算法包括编码 选择 交叉 和变异等操作(Aiming at the disadvantage that the initial weights and thresholds of BP neural network are randomly selected, genetic algorithm is used to optimize the initial weights and
PSO-BP程序
- 用粒子群优化BP神经网络matlab代码 %以下是训练数据，前4列为输入，第5列为输出 5.700 3.800 0.3175 2.33 2310 4.550 3.050 0.3175 2.33 2890 2.950 1.950 0.3175 2.33 4240 1.950 1.300 0.3175 2.33 5840 1.400 0.900 0.3175 2.33 7700 1.200 0.800 0.3175 2.33 8270 1.050 0.700 0.3175
股票预测
- 采用三层BP神经网络结构，输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1，使用MATLAB编写。 将所给数据按14：1分为训练样本集，和测试样本集，经测试及分析，预测误差为0.1700，误差较小。 网络训练好后，输入前一天的6组数据，即：最高价、最低价、开盘价、收盘价、成交量，就能自动预测出后一天的收盘价。(The structure of three-layer BP neural network is adopted. The number of neurons in the i