反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大规模的应用。
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
2024/8/11 5:25:02
773KB
1
递归神经网络（RNN）是两种人工神经网络的总称。
一种是时间递归神经网络（recurrentneuralnetwork），又名循环神经网络，另一种是结构递归神经网络（recursiveneuralnetwork）。
时间递归神经网络的神经元间连接构成矩阵，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。
RNN一般指代时间递归神经网络。
单纯递归神经网络因为无法处理随着递归，权重指数级爆炸或消失的问题（Vanishinggradientproblem），难以捕捉长期时间关联；
而结合不同的LSTM可以很好解决这个问题。
一种是时间递归神经网络（recurrentneuralnetwork），又名循环神经网络，另一种是结构递归神经网络（recursiveneuralnetwork）。
时间递归神经网络的神经元间连接构成矩阵，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。
RNN一般指代时间递归神经网络。
单纯递归神经网络因为无法处理随着递归，权重指数级爆炸或消失的问题（Vanishinggradientproblem），难以捕捉长期时间关联；
而结合不同的LSTM可以很好解决这个问题。
2024/7/15 12:55:12
16.51MB
1
如今，水资源管理已成为世界的重大利益。
然而，研究区域现有的水文气候历史数据的缺失或质量较差，有时使水文研究变得困难。
通常，设计概念雨流模型的目的是通过校正间隙和预测流量来带来适当的答案。
位于Cavally河上的Ity站的历史水文气候数据包含必须弥补的空白。
本研究旨在通过人工神经网络建立降雨径流模型，以填补卡夫里河流域伊特水文站流量数据系列的空白。
利用流量蒸散数据建立了具有两个条目（每月平均降雨量和蒸散量）和出口（流量）的前馈的多层感知器。
神经网络模型的各种体系结构的性能标准的比较表明，体系结构2-3-1给出了最佳结果。
该架构为校准提供了75.79％的Nash系数和95.64％的相关线性系数，为验证提供了73.32％的Nash系数和98.33％的相关线性系数。
模拟流量与观测流量之间的相关性很强。
校正和验证的相关系数分别为83.89％和83.08％。
然而，研究区域现有的水文气候历史数据的缺失或质量较差，有时使水文研究变得困难。
通常，设计概念雨流模型的目的是通过校正间隙和预测流量来带来适当的答案。
位于Cavally河上的Ity站的历史水文气候数据包含必须弥补的空白。
本研究旨在通过人工神经网络建立降雨径流模型，以填补卡夫里河流域伊特水文站流量数据系列的空白。
利用流量蒸散数据建立了具有两个条目（每月平均降雨量和蒸散量）和出口（流量）的前馈的多层感知器。
神经网络模型的各种体系结构的性能标准的比较表明，体系结构2-3-1给出了最佳结果。
该架构为校准提供了75.79％的Nash系数和95.64％的相关线性系数，为验证提供了73.32％的Nash系数和98.33％的相关线性系数。
模拟流量与观测流量之间的相关性很强。
校正和验证的相关系数分别为83.89％和83.08％。
2.67MB
1
本书的作者都具有实际的数学建模参赛经历和竞赛指导经验。
书中内容完全是根据数学建模竞赛的需要而编排的，涵盖了绝大部分数学建模问题的matlab求解方法。
本书内容分上下两篇。
上篇介绍数学建模中常规方法的matlab实现，包括matlab交互、数据建模、程序绘图、灰色预测、规划模型等方法；
还介绍了各种高级方法的matlab实现，包括遗传算法、粒子群算法、模拟退火算法、人工神经网络、小波分析、动态仿真、数值模拟等。
下篇以真实的数学建模赛题为案例，介绍了如何用matlab求解实际的数学建模问题，给出了详细的建模过程和程序。
书中的附件部分介绍了作者在建模竞赛中屡获大奖的经验。
相信这些经验对准备参加数学建模竞赛的读者会有所帮助。
书中内容完全是根据数学建模竞赛的需要而编排的，涵盖了绝大部分数学建模问题的matlab求解方法。
本书内容分上下两篇。
上篇介绍数学建模中常规方法的matlab实现，包括matlab交互、数据建模、程序绘图、灰色预测、规划模型等方法；
还介绍了各种高级方法的matlab实现，包括遗传算法、粒子群算法、模拟退火算法、人工神经网络、小波分析、动态仿真、数值模拟等。
下篇以真实的数学建模赛题为案例，介绍了如何用matlab求解实际的数学建模问题，给出了详细的建模过程和程序。
书中的附件部分介绍了作者在建模竞赛中屡获大奖的经验。
相信这些经验对准备参加数学建模竞赛的读者会有所帮助。
2024/6/2 15:46:32
16.32MB
1
现代电路的基本知识，无源网络的分析和设计，二阶有源RC滤波器的分析和设计，高阶有源RC滤波器的分析和设计，MOSFET-C滤波器、跨导电容滤波器、基于电流传输器的滤波器、开关电容和开关电流滤波器、对数域滤波器等新型滤波器的分析和设计，过取样数据转换电路的分析和设计，混沌电路的分析和设计，人工神经网络的分析和设计。
2024/6/2 12:09:03
40.04MB
1
这是一个用ANN（人工神经网络）对手写数字进行识别的程序。
有以下一些特性：1）前端（网页）用JavaScript，html5，css开发；
2）后端（服务器）用python写的（2.7版本）；
3）功能：#支持在网页画布上（用鼠标）写数字，并会返回预测结果；
#支持重置网页画布；
#支持向服务器发送训练样本；
#支持图片预览，图片上传；
#支持对上传的图片中英文字母的识别。
这是一个非常酷的程序，C/S架构，代码也不是很复杂，而且设计了一些很有趣的知识（机器学习，神经网络，http数据传递，前后端开发等等）。
感兴趣的同学可以下载下来看一看，有不懂的可以评论留言。
有以下一些特性：1）前端（网页）用JavaScript，html5，css开发；
2）后端（服务器）用python写的（2.7版本）；
3）功能：#支持在网页画布上（用鼠标）写数字，并会返回预测结果；
#支持重置网页画布；
#支持向服务器发送训练样本；
#支持图片预览，图片上传；
#支持对上传的图片中英文字母的识别。
这是一个非常酷的程序，C/S架构，代码也不是很复杂，而且设计了一些很有趣的知识（机器学习，神经网络，http数据传递，前后端开发等等）。
感兴趣的同学可以下载下来看一看，有不懂的可以评论留言。
2024/4/25 9:05:03
5.8MB
1
卷积神经网络python实现。
卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一[1-2]。
由于卷积神经网络能够进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificial
卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一[1-2]。
由于卷积神经网络能够进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificial
2024/4/12 15:49:47
31KB
1
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。
2024-04-09 15:03
15KB