第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31．1人工神经网络的起源……………………………………………………31．2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42．1神经元及其特性…………………………………………………………52．2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73．1Hopfield网络…………………………………………………………73．2反向传播(BP)网络……………………………………………………83．3Kohonen网络…………………………………………………………83．4自适应共振理论(ART)……………………………………………………93．5学习矢量量化（LVQ）网络…………………………………………11§1.4多层前馈神经网络（ＢＰ）模型…………………………………………124．1BP网络模型特点 ……………………………………………………124．2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144．3网络的训练过程………………………………………………………154．4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174．5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254．1样本的预处理………………………………………………………254．2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305．1面板堆石坝堆石体垂直压缩模量的控制……………………………305．2水布垭面板堆石坝变形的预测……………………………………355．3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………

本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。

用C#实现了一个网络象棋游戏程序，代码可以运行并附加有详细的代码说明，是学习用C#实现网络游戏编程很好的资料

本jar包解决原来系统中已经使用了POI3.7导出excel发生内存溢出的问题用法：系统中POI3.7的包不需要移除，直接附加上本jar包即可，导出时使用SXSSFWorkbook类，用法与HSSFWorkbook一致注：本jar包是从POI3.8中整合而得，其中拥有一些与3.7相同类名的类，但路径不同，import类时需要注意选择路径

RESTer几乎所有Web服务的REST客户端。
下载：|您可以...使用任何方法，URL，正文和自定义标头执行HTTP请求。
保存喜欢的请求并将其组织在集合中。
查看您的请求历史记录，包括完整的请求和响应。
该插件支持以下功能：使用Basic，OAuth2或Cookie身份验证创建并保存您的授权标头。
在已保存的请求中使用占位符。
对常用操作使用快捷方式（尝试按“？”查看当前上下文的可用快捷方式）。
它需要一些权限才能执行此操作。
发展先决条件该项目要求：node＞=10yarn＞=1使用以下命令安装所有其他依赖项：yarninstall在本地运行要构建附加运行：yarnstart这将在文件夹.build中生成一个可用的加载项。
它还将监视文件中的更改并相应地更新文件夹。
要将加载项加载到浏览器中：Firefox：转到about：debugging，单击“加载临时附件...”，然后在.build文件夹中选择文件manifest.json。
Chrome：访问chrome：//exte

仿新浪微博的网站源码此网站花费了8个月的时间开发的，界面UI完全用旧版微博的CSS和图片，前台用jquery，后台由Asp.netMVC3+纯ADO.Net开发。
运行的话，数据库文件在DB_51Aspx下，附加即可（MSSql2008），并修改根目录下的Weibo.config的连接字符串就可以了。
目前所有旧版微博的功能都完成了，该有就有，并兼容IE和其他现代浏览器(IE9未测)。
注册模块上设置了默认发到我的邮箱里面去，所有，要注册的可以到注册模块上改下来自51ASPX

本文研究了由浅水波运动引起的改进的耦合双组分Camassa-Holm动力系统的动力学行为。
通过使用熟练定义的特征和一组新引入的变量，原始系统将转换为拉格朗日半线性系统，在该系统中，关联能量作为附加变量引入，从而获得一个恰当定位的初值问题，从而简化了系统的设计工作。
研究波浪破碎的行为。
建立了该系统的解作为破波后的全局耗散解继续进行的方法，这为更好地理解破波前后的不可避免现象提供了有趣而有用的结果。

jsp+Servlet+Oracle学生课程信息管理，内含数据库，源代码。
毕业设计，课程设计都可用！直接将.dmp文件附加到oracle数据库即可发布使用！功能实用！欢迎下载！

基于C#开发的教务处教室管理系统，该文件包括源代码，数据库，课程设计任务书和课程设计说明书，详细功能及设计流程见说明书。
下载后只需将数据库附加到SQL2005中，并修改程序中的连接字符串，即可运行。

出租房管理系统单机版！！内含原版数据库把数据库附加上去，在vs2005打开即可看到代码，无需修改，可以使用！某些功能不是很完善。
大家见谅，毕竟咱是学生嘛，还在学习当中！

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。