基于BP神经网络的电力负荷预测中的应用，叙述了神经网络在预测方面的应用。

MATLAB神经网络43个案例分析源代码&数据《MATLAB神经网络43个案例分析》目录第1章BP神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归--非线性函数回归的实现第8章GRNN网络的预测----基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类预测——意大利葡萄酒种类识别第15章SVM的参数优化——如何更好的提升分类器的性能第16章基于SVM的回归预测分析——上证指数开盘指数预测.第17章基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第18章基于SVM的图像分割-真彩色图像分割第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用第21章自组织竞争网络在模式分类中的应用—患者癌症发病预测第22章SOM神经网络的数据分类--柴油机故障诊断第23章Elman神经网络的数据预测----电力负荷预测模型研究第24章概率神经网络的分类预测--基于PNN的变压器故障诊断第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选第26章LVQ神经网络的分类——乳腺肿瘤诊断第27章LVQ神经网络的预测——人脸朝向识别第28章决策树分类器的应用研究——乳腺癌诊断第29章极限学习机在回归拟合及分类问题中的应用研究——对比实验第30章基于随机森林思想的组合分类器设计——乳腺癌诊断第31章思维进化算法优化BP神经网络——非线性函数拟合第32章小波神经网络的时间序列预测——短时交通流量预测第33章模糊神经网络的预测算法——嘉陵江水质评价第34章广义神经网络的聚类算法——网络入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化计算——建模自变量降维第37章基于灰色神经网络的预测算法研究——订单需求预测第38章基于Kohonen网络的聚类算法——网络入侵聚类第39章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现第41章定制神经网络的实现——神经网络的个性化建模与仿真第42章并行运算与神经网络——基于CPU/GPU的并行神经网络运算第43章神经网络高效编程技巧——基于MATLABR2012b新版本特性的探讨

神经网络变量筛选—基于BP的神经网络变量筛选matlab代码程序

人脸识别具有重要的实际应用价值，已成为计算机智能识别领域的热门研究课题。
传统的人脸识别系统需要人的正面进行识别，而且仅对正面进行识别，因此在识别效率和准确率上存在很大缺陷。
本文提出了基于BP神经网络的人脸方向识别方法，并利用MATLAB2014平台进行了人脸方向识别试验。
统计试验结果表明，该方法预测误差很小，结果接近真实值。
利用本文所提出的方法，可以从多个方向进行人脸识别，从而提高了人脸识别的效率和正确率。

第1章p神经网络的数据分类——语音特征信号分类1第2章bp神经网络的非线性系统建模——非线性函数拟合11第3章遗传算法优化bp神经网络——非线性函数拟合21第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优36章基于bp_adaboost的强分类器设计——财务预警建模45章pid神经元网络解耦控制算法——多变量系统控制54章rbf网络的回归——非线性函数回归的实现65章grnn的数据预测——基于广义回归神经网络的货运量预测73章离散hopfield神经网络的联想记忆——数字识别81章离散hopfield

先打开gui，和别人相比，我做了图形用户界面很容易看到的

基于BP神经网络，测试集辛烷值含量预测结果对比

基于BP神经网络算法的手写识别程序，带图形用户界面，Java实现.zip

中科大李厚强老师的大作业基于BP神经网络的手写字符识别。
matlab代码，训练样本已经分割

本ZIP文件包含了经典的手写数字的bmp数据，共{0,1,2，……，9}10个类，每个类包含500个数据；
然后对图片进行二值化处理，采用patch来对每张image提出特征，最后设计神经网络对特征进行训练，并用得到的net来测试TestingSet，经过调解参数，测试精度可以达到95%左右。
整个实现过程是基于matlab语言的，code清晰，明了，简单易懂，绝对值得算法爱好者探究。

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。