这是我移植到GBA游戏机上的uCGUI3.24 可以通过模拟器仿真
上传时间： 2014-12-01
上传用户：四只眼
全结构遗传优化径向基概率神经网络.这个算法训练的速度可能会慢一些.
上传时间： 2014-01-02
上传用户：heart520beat
文本分类,使用贝叶斯分类系统,训练集和测试集
上传时间： 2013-12-18
上传用户：1079836864
径向基神经网络训练，解决拟合问题，效果不错
上传时间： 2016-06-13
上传用户：evil
用神经网络训练来逼近函数:y=8+2*exp(1-x.^2).*cos(2*pi*x)
上传时间： 2016-06-15
上传用户：GavinNeko
并行分块的fft实现 基于斯坦福大学Imagine模拟器开发设计的FFT并行分块实现
上传时间： 2013-12-11
上传用户：ikemada
本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用变步长算法,一般不需人工设置. 4.输入层数目: 人工神经网络的输入层神经元的节点数目. 5.隐含层数目: 人工神经网络的隐含层神经元的节点数目. 6.输出层数目: 人工神经网络的输出层神经元的节点数目. 7.训练算法: 强烈建议选取Levenberg-Marquardt算法,该算法经过测试比较稳定. 8.激活函数: 不同的网络激活函数表现的性能不同,可根据实际情况选择. 9.样本数据的处理: 由于程序没有实现归一化功能, 因此用来训练的样本数据首先要归一化后才能进行训练.
标签： Levenberg-Marquardt 程序 状态 样本
上传时间： 2013-12-19
上传用户：firstbyte
adaboost算法的一个简要编程,对于训练算法能有一个很好的初步指导作用
上传时间： 2016-06-20
上传用户：lo25643
人工神经网络系统的训练 TRAIN BP算法存在局部极小点，收敛速度慢等缺点，改进的BP算法。
上传时间： 2016-06-21
上传用户：ls530720646
简单的神经网络训练程序，可以通过增加训练样本达到更好的权值
上传时间： 2016-06-23
上传用户：tb_6877751
