RBF神经网络用于预测模型，可以进行诸如交通流预测！
上传时间： 2016-06-20
上传用户：chekai
神经网络对非线性函数的拟合可以拓展到神经网络对非线性系统模型的逼近
上传时间： 2019-04-24
上传用户：厉害的厉呀
matlab，PSO-RBF神经网络的训练模型，可以参考学习
上传时间： 2019-12-03
上传用户：dadashizi
深度学习，神经网络，卷积神经网络 Analysis of Deep Learning Models using CNN Techniques
上传时间： 2020-01-02
上传用户：wzy2020
神经网络在智能机器人导航系统中的应用研究1神经网络在环境感知中的应 用 对环境 的感 知 ，环境模型 妁表示 是非常重要 的。未 知 环境中的障碍物的几何形状是不确定的，常用的表示方浩是 槽格法。如果用册格法表示范围较大的工作环境，在满足 精度要求 的情况下，必定要占用大量的内存，并且采用栅 格法进行路径规划，其计算量是相当大的。Kohon~n自组织 神经瞬络为机器人对未知环境的蒜知提供了一条途径。 Kohone~冲经网络是一十自组织神经网络，其学习的结 果能体现出输入样本的分布情况，从而对输入样本实现数 据压缩 。基于 网络 的这些特 性，可采 用K0h0n曲 神经元 的 权向量来表示 自由空间，其方法是在 自由空间中随机地选 取坐标点xltl【可由传感器获得】作为网络输入，神经嘲络通 过对大量的输八样本的学习，其神经元就会体现出一定的 分布形 式 学习过程如下：开 始时网络的权值随机地赋值 ， 其后接下式进行学 习： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神经元 1在t时刻对 应的权值 ；a(∽ 谓整系 数 ； (『l网络的输八矢量；Ⅳ()：学习的 I域。每个神经元能最 大限度 地表示一 定 的自由空间 。神经 元权 向量的最 小生成 树可以表示出自由空问的基本框架。网络学习的邻域 (，) 可 以动 态地 定义 成矩形 、多边 形 。神经 元数量 的选取取 决 于环境 的复杂度 ，如果神 经元 的数量 太少 ．它们就 不能 覆 盖整十空间，结果会导致节点穿过障碍物区域 如果节点 妁数量太大 ．节点就会表示更多的区域，也就得不到距障 碍物的最大距离。在这种情况下，节点是对整个 自由空间 的学 习，而不是 学习最 小框架空 间 。节 点的数 量可 以动态 地定义，在每个学习阶段的结柬．机器人会检查所有的路 径．如检铡刊路径上有障碍物 ，就意味着没有足够的节点 来 覆盖整 十 自由窑 间，需要增加 网络节点来 重新学 习 所 138一 以为了收敛于最小框架表示 ，应该采用较少的网络 节点升 始学习，逐步增加其数量。这种方法比较适台对拥挤的'E{= 境的学习，自由空间教小，就可用线段表示；若自由空问 较大，就需要由二维结构表示 。 采用Kohonen~冲经阿络表示环境是一个新的方法。由 于网络的并行结构，可在较短的时间内进行大量的计算。并 且不需要了解障碍物的过细信息．如形状、位置等 通过 学习可用树结构表示自由空问的基本框架，起、终点问路 径 可利用树的遍 历技术报容易地被找到 在机器人对环境的感知的过程中，可采用人】：神经嘲 络技术对 多传 感器的信息进 行融台 。由于单个传感器仅能 提 供部分不 完全 的环境信息 ，因此只有秉 甩 多种传感器 才 能提高机器凡的感知能力。 2 神经 网络在局部路径规射中的应 用 局部路径 规删足称动吝避碰 规划 ，足以全局规荆为指 导 利用在线得到的局部环境信息，在尽可能短的时问内
上传时间： 2022-02-12
上传用户：qingfengchizhu
神经网络是机器学习的重要分支，是智能计算的一个主流研究方向，长期受到众多科学家的关注和研究，它植根于很多学科，结合了数学、统计学、物理学、计算机科学和工程学.已经发现，它能够解决一些传统意义上很难解决的问题，也为一些问题的解决提供了全新的想法.在传统的研究成果中，有很多表达数据的统计模型，但大都是比较简单或浅层的模型，在复杂数据的学习上通常不能获得好的学习效果.深度神经网络采用的则是一种深度、复杂的结构，具有更加强大的学习能力，目前深度神经网络已经在图像识别、语音识别等应用上取得了显著的成功.这使得这项技术受到了学术界和工业界的广泛重视，正在为机器学习领域带来一个全新的研究浪潮.
标签： 深度神经网络
上传时间： 2022-06-19
上传用户：shjgzh
本书包含四个组成部分：导论，监督学习，无监督学习，神经网络动力学模型。导论部 分介绍神经元模型、神经网络结构和机器学习的基本概念和理论。监督学习讨论感知机学习 规则，有监督的Hebb学习，Widrow-Hoff学习算法，反向传播算法及其变形，RBF网络，正则 化网络，支持向量机以及委员会机器。无监督学习包括主分量分析，自组织特征映射模型的 竞争学习形式，无监督学习的信息理论，植根于统计力学的随机学习机器，最后是与动态规 划相关的增强式学习。
标签： 神经网络
上传时间： 2022-06-21
上传用户：fliang
本书系统地论述了人工神经网络的主要理论和设计基础，给出了大量应用实例，旨在使读者了解神经网络的发展背景和研究对象，理解和熟悉其基本原理和主要应用，掌握其结构模型和基本设计方法，为以后的深入研究和应用开发打下基础。作者连续11年为电气信息类专业研究生及本科高年级学生开设“人工神经网络理论与应用”课程，2002年在多次修改讲义和多项科研成果基础上形成本书的第一版。本书第二版对原书约1/3的内容进行了更新，对保留内容进行了修改。取材注意内容的典型性和先进性，编排注意内容的逻辑性，阐述注重物理概念的清晰性，举例与思考练习的安排注意了内容的实践性，常用神经网络及算法的介绍着重于实用性。
标签： 人工神经网络
上传时间： 2022-06-21
上传用户：qingfengchizhu
本书主要讲述神经网络的基本概念，介绍实用的网络模型、学习规则和训练方法。全书分19章，内容涵盖神经元模型和网络结构、感知机学习规则、有监督的Hebb学习、Widrow—Hoff学习算法、反向传播算法及其变形、联想学习、竞争网络、Grossberg网络、自适应谐振理论和Hopfield网络。书中注重对数学分析方法和性能优化的讨论，强调神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。同时本书包含大量例题、习题，并配有基于MATLAB软件包的“神经网络设计演示&
标签： 神经网络
上传时间： 2022-06-21
上传用户：默默
神经网络神经网络是指用大量的简单计算单元构成的非线性系统，它在一定程度上模仿了人脑神经系统的信息处理、存储和检索功能，是对人脑神经网络的某种简化、抽象和模拟。1943年心理学家McCulloch和数学家Pitts合作提出了神经元的数学模型M-P神经元模型，证明了单个神经元能执行逻辑功能，从此开创了神经科学理论研究的时代。M-P模型，是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的神经元模型。权重当输入进入神经元时，它会乘以一个权重。例如，如果一个神经元有两个输入，则每个输入都将具有分配给它的一个关联权重。随机初始化权重，并在模型训练过程中更新这些权重。偏置除了权重之外，另一个被应用于输入的线性分量被称为偏置。它被加到权重与输入相乘的结果中。添加偏置的目的是改变权重与输入相乘所得结果的范围。激活函数激活函数的主要作用是加入非线性因素，以解决线性模型表达能力不足的缺陷，在整个神经网络中至关重要。常用的激活函数有Sigmoid、Tanh、ReLU。
上传时间： 2022-06-24
上传用户：得之我幸78
