搜索资源列表
bp2
- 基于bp神经网络的pid控制。多层前馈网络具有很强的逼近函数。-Based on the bp neural network pid control
BP_final
- 多层感知器MLP网络以及BP算法，实现了对非线性函数的逼近，matlab进行编程-failed to translate
hsbj1
- 用bp网络算法逼近二元函数，不用工具箱，谢谢，互相学习 ，三维图像-bp network algorithm for approaching the binary function
BP1
- 采用BP神经网络逼近非线性函数,matlab源码实现，易于初学者理解，简单实用。-nonliear function by BP network approximatinon
bpsuanfa
- bp算法，根据一个逼近函数实现的bp算法-bpsuanfa
twodimapproximationbp
- 单输出函数Y=SIN(X)逼近问题的bp程序:假设网络结构为3--2--1，输入维数M,共N个样本,一般输入不算层，输出算层- 激活函数: hardlim---(0,1),hardlims---（-1,1),purelin,logsig---(0,1),tansig----(-1,1) softmax,poslin,radbas,satlin,satlins,tribas 训练算法: 1.traingd,traingdm,traingda(variable l
Intelligent-computation-methods
- 采用bp神经网络对其进行函数拟合。误差反向传播网络（bp网络）是目前人工神经网络模式中最具代表性，应用最广泛的一种模型，具有自学习、自组织、自适应和很强的非线性映射能力，可以以任意精度逼近任意连续函数。-The bp neural network to its function fitting. Error back propagation network (bp network) is the artificial neural network model of the most repres
mybp
- 神经网络bp程序，可作为任意非线性函数的逼近器-Bp neural network program, as any nonlinear function approximation
dongliangsuanfa
- 采用动量梯度下降算法训练BP网络，证明,一个3层的BP网络能够实现任意的连续映射,可以任意精度逼近任何给定的连续函数。-Using momentum gradient descent algorithm to train the BP network, proved that a three-layer BP network to any continuous mapping can be arbitrary-precision approach any given continuous fun
ff
- BP算法例子：用一个五层的神经网络去逼近函数 ，有需要的程序员可以用到。-BP algorithm examples: using a neural network to approximate five functions, there is a need for programmers to use.
BP2
- 三层BP神经网络来完成非线性函数的逼近任务-BP neural network to complete the task of nonlinear function approximation
BPFuncApproximation
- BP神经网络训练程序，基于梯度学习算法，对非线性函数（hermitian）逼近。-The BP neural network training program，which is based on the steepest descent Method，，，backpropagation network (BP) approximation of the nonlinear function。
bpNNbijinERYUANhanshuSANWEITU
- BP神经网络实现二元函数的逼近源程序代码-BP neural network source code binary function approximation
123
- 利用三层BP神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。-To complete the task of nonlinear function approximation by three layers of BP neural network, in which the number of hidden layer neurons into five.
sample2
- 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力-Nonlinear mapping ability: BP neural network essentially implements a mapping from input to output function, the mathematical proof of the thr
sample6
- 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力-Nonlinear mapping ability: BP neural network essentially implements a mapping from input to output function, the mathematical proof of the thr
BPNN
- bp神经网络逼近测试函数d=sin(2πx)sin(2πy)-The bp neural network approximation test function d = sin (2 PI x) sin (2 PI y)
BPnet
- 采用BP神经网络的方法，通过大量样本训练来逼近某种非线性函数-functional approximation for nonlinear function using BP net
11
- RBF网络的学习过程与BP网络的学习过程类似，两者的主要区别在于各使用不同的作用函数。BP网络中隐层使用的是Sigmoid函数，其值在输入空间中无限大的范围内为非零值，因而是一种全局逼近的神经网络；而RBF网络中的作用函数是高斯基函数，其值在输入空间中有限范围内为非零值，因为RBF网络是局部逼近的神经网络。 RBF网络是一种3层前向网络，由输入到输出的映射是非线性的，而隐层空间到输出空间的映射是线性的，而且RBF网络局部逼近的神经网络，因而采用RBF网络大大加快学习速度并避免局部极小问题，
RBFvsBP_Experiment7
- 本函数演示BP神经网络和RBF神经网络对函数的逼近效果，希望对大家有帮助。-This function demonstrates BP neural network and RBF neural network function approximation effect, we want to help.