概率神经网络（ProbabilisticNeuralNetwork）的网络结构类似于RBF神经网络，但不同的是，PNN是一个前向传播的网络，不需要反向传播优化参数。
这是因为PNN结合了贝叶斯决策，来判断测试样本的类别。

神经网络发展历史。
BP神经网路，Hotfield神经网络，反向传播算法等

003_wz_wed_DL_课程一第二周编程题反向传播与代价函数.pdf

两个通用的三层前向神经网络反向传播算法程序，一个采用批量方式更新权重，另一个采用单样本方式更新权重。
其中，隐含层结点的激励函数采用双曲正切函数，输出层的激励函数采用sigmoid函数。
目标函数采用平方误差准则函数。

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…………………………………………………………………………

本科毕业设计，论文，word版摘要目前，由于PID具有结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。
电厂主汽温的被控对象是一个大惯性大迟延非线性且对象变化的系统。
常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的范围内。
但当运行工况发生较大变化时,却很难保证控制品质。
因此本文研究BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。
本处用一个多层前向神经网络，采用反向传播算法依据控制要求实时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。
对这样一个系统在MATLAB平台上进行仿真研究，，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。
关键词：主汽温，PID，BP神经网络，MATLAB仿真

一个简单的3层(1层隐层)误差反向传播神经网络（BP神经网络），Python实现，Python版本:Python3.5.2

SVPWM技术是一种较新的逆变器调制技术，具有很多独特的优点，其应用范围已经跨越变频调速系统，进入各个领域。
本书系统地讲述它的调制原理、分类、算法、应用及实例，全书共分7章，内容包括变频调速与SVPWM技术、两电平SVPWM技术、两电平SVPWM技术的应用、三电子SVPWM技术、三电平SVPWM技术的应用、多电子SVPWM技术及其应用和SVPWM技术工程应用实例。
本书内容完整丰富，可作为相关大专院校学生和工程技术人员学习、应用的参考。
目录电气自动化新技术丛书序言5届电气自动化新技术丛书编辑委员会的话前言第1章变频调速与SVPWM技术1.1变频调速概述1.1.1变频调速系统1.1.2变频器1.1.3电力电子电器件1.2变频器谐波的影响与对策1.2.1输入侧谐波的影响与对策1.2.2输出侧谐波的影响及对策1.3SPWM技术1.3.1调?的原理和分类1.3.2SPWM波构成的方法1.3.3SPWM的优点与缺点1.3.4SPWM的优化1.4变频调速系统的控制1.4.1开环控制1.4.2闭环控制1.5SVPWM技术1.5.1概述1.5.2SVPWM技术的原理与分类1.5.3SVPWM技术的优点与展望参考文献第2章两电子SVPWM?术2.1两电平逆变器2.2两电乎逆变器合成电压矢量与磁链的空间分布2.2.1逆变器输出电压空间矢量的空间分布2.2.2电压矢量与磁链矢量轨迹2.3SVPWM的调制模式和算法2.3.1多个电压矢量连续切换的SVPWM模式2.3.2矢量合成法的SVPWM模式2.4对称调制模式和算法2.4.1基本原理2.4.2实施算法2.4.3对称调制模式与SPWM的比较2.4.4对称调制模式的特点和优点2.4.5对称调制模式的推广2.5两电平SVPWM的新算法2.5.1随机控制算法2.5.2免疫算法2.5.3反向传播神经网络算法2.6两电平三维空间电压矢量SVPWM控制2.6.1三相四桥臂逆变器2.6.2三相四桥臂逆变器的电压空间矢量2.6.3三相四桥臂逆变器的电压空间矢量控制参考文献第3章两电平SVPWM技术的应用3.1两电平SVPWM技术在矢量变换控制中的应用3.1.1矢量变换控制的基本原理3.1.2SVPWM矢量控制系统的构成与控制原理3.1.3矢量变换控制的特点3.2SVPWM在直接转矩控制系统中的应用3.2.1直接转矩控制的基本原理3.2.2直接转矩控制系统的构成与控制原理3.2.3电压矢量与少　的关系3.2.4采用电压矢量选择表的直接转矩控制系统3.2.5直接转矩控制的数字化3.2.6直接转矩控制的特点与存在的问题3.3直接转矩控制的改进方案3.3.1模糊控制的直接转矩控制3.3.2预测转矩的直接转矩控制3.4采用谐振极软开关逆变器的直接转矩控制3.4.1RPZVT逆变器的构成及工作原理3.4.2控制系统的构成3.4.3控制原理3.4.4仿真及实验结果3.5PWM整流器的控制3.5.1PWM整流器第4章　三电平SVPWM技术第5章　三电平SVPWM技术的应用第6章　多电平SVPWM技术及其应用第7章　SVPWM技术工程应用实例

近年来，目睹了卷积神经网络（CNN）在各种计算机视觉和人工智能应用中的广泛普及。
然而，功能的提高是以大量密集的计算复杂性为代价的，这阻碍了它在诸如移动或嵌入式设备之类的资源受限的应用中的使用。
尽管人们越来越关注内部网络结构的加速，但很少考虑视觉输入的冗余性。
在本文中，我们首次尝试直接从视觉输入中减少CNN加速的空间和通道冗余。
所提出的方法称为ESPACE（消除空间和信道冗余），它通过以下三个步骤起作用：首先，通过一组低秩的卷积滤波器降低卷积层的3D通道冗余度。
其次，提出了一种新颖的基于掩模的选择性处理方案，该方案通过跳过视觉输入的不显着空间位置来进一步加快卷积操作。
第三，通过反向传播使用训练数据对加速网络进行微调。
在ImageNet2012上评估了提出的方法，并在两个广泛采用的CNN（即AlexNet和GoogLeNet）上实现了该方法。
与CNN加速的几种最新方法相比，该方案已证明在AlexNet和GoogLeNet上分别以5.48倍和4.12倍的加速比提供了最新的加速功能，而分类精度的下降却最小。

此代码为matlab代码，实现BP神经网络对函数的拟合，此代码未使用matlab工具箱函数，而是将整个前馈和反向传播过程用代码方式编写出来，因此具有很重要的参考价值

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。