基于BP神经网络的车牌识别技术，包涵了车牌图像的预处理，数字形态学的车牌定位，车牌字符分割，车牌识别等。

IRIS数据集，包括三个文本文件和一个EXCEL表格，主要用于验证构建的神经网络的有效性，具体代码https://blog.csdn.net/ckzhb/article/details/60571769

汉字的神经风格转移（NeuralStyleTransfer）实现

目录前言第1章数字PID控制………………………………………………………………(1)1.1PID控制原理……………………………………………………………………(1)1.2连续系统的模拟PID仿真…………………………………………………………(2)1.3数字PID控制……………………………………………………………………(3)1.3.1位置式PID控制算法……………………………………………………………(3)1.3.2连续系统的数字PID控制仿真…………………………………………………(4)1.3.3离散系统的数字PID控制仿真…………………………………………………(8)1.3.4增量式PID控制算法及仿真…………………………………………………(14)1.3.5积分分离PID控制算法及仿真…………………………………………………(16)1.3.6抗积分饱和PID控制算法及仿真………………………………………………(20)1.3.7Ｔ型积分PID控制算法………………………………………………………(24)1.3.8变速积分PID算法及仿真……………………………………………………(24)1.3.9带滤波器的PID控制仿真……………………………………………………(28)1.3.10不完全微分PID控制算法及仿真……………………………………………(33)1.3.11微分先行PID控制算法及仿真………………………………………………(37)1.3.12带死区的PID控制算法及仿真………………………………………………(42)1.3.13基于前馈补偿的PID控制算法及仿真………………………………………(45)1.3.14步进式PID控制算法及仿真…………………………………………………(49)第2章常用的数字PID控制系统………………………………………………(53)2.1单回路PID控制系统……………………………………………………………(53)2.2串级PID控制……………………………………………………………………(53)2.2.1串级PID控制原理……………………………………………………………(53)2.2.2仿真程序及分析………………………………………………………………(54)2.3纯滞后系统的大林控制算法……………………………………………………(57)2.3.1大林控制算法原理……………………………………………………………(57)2.3.2仿真程序及分析………………………………………………………………(57)2.4纯滞后系统的Smith控制算法…………………………………………………(59)2.4.1连续Smith预估控制…………………………………………………………(59)2.4.2仿真程序及分析………………………………………………………………(61)2.4.3数字Smith预估控制…………………………………………………………(63)2.4.4仿真程序及分析………………………………………………………………(64)第3章专家PID控制和模糊PID控制…………………………………………(68)3．1专家PID控制…………………………………………………………………(68)3.1.1专家PID控制原理……………………………………………………………(68)3.1.2仿真程序及分析………………………………………………………………(69)3.2模糊自适应整定PID控制………………………………………………………(72)3.2.1模糊自适应整定PID控制原理………………………………………………(72)3.2.2仿真程序及分析………………………………………………………………(76)3.3模糊免疫PID控制算法…………………………………………………………(87)3.3.1模糊免疫PID控制算法原理…………………………………………………(88)3.3.2仿真程序及分析………………………………………………………………(89)第4章神经PID控制……………………………………………………………(94)4.1基于单神经元网络的PID智能控制………………………………………………(94)4.2基于BP神经网络整定的PID控制………………………………………………(103)4.3基于RBF神经网络整定的PID控制……………………………………………

Web的动手Python深度学习这是由Packt发布的AnubhavSingh和SayakPaul编写的“的代码库。
集成神经网络架构以使用Flask，Django和TensorFlow构建智能Web应用这本书是关于什么的？有效地使用深度学习技术可以帮助您开发智能Web应用程序。
在本书中，您将介绍用于使用Python在Web开发中实施深度学习的最新工具和技术实践。
从机器学习的基础知识开始，您将专注于DL和神经网络的基础知识，包括常见的变体，例如卷积神经网络（CNN）。
您将学习如何使用不同标准Web技术堆栈的前端将它们集成到网站中。
然后，本书通过为自定义模型创建RESTfulAPI，帮助您获得使用Python库（例如Django和Flask）开发支持深度学习的Web应用程序的实践经验。
稍后，您将探索如何为GoogleCloud和AmazonWebServices（AWS）上基于深度学习的Web部署设置云环境。
本书涵盖了以下令人兴奋的功能：探索深度学习模型并在浏览器中实现使用Django和Flask设计基于Web的智能客户端使用不同的基于Py

使用遗传算法对BP神经网络进行优化，BP网络的输入节点7隐层节点7输出节点

BP算法的改进在Matlab的实现。
.利用/01203中的神经网络工具箱提供的丰富网络学习和训练函数4对56网络和56算法的优化方案进行仿真4得到较优的56算法7

训练了一层卷积层的神经网络模型来预测CFIR10数据中的图像

Hopfield神经网络解决TSP问题利用神经网络解决组合优化问题是神经网络应用的一个重要方面。
所谓组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。
将Hopfield网络应用于求解组合优化问题,把目标函数转化为网络的能量函数,把问题的变量对应到网络的状态。
这样,当网络的能量函数收敛于极小值时,问题的最优解也随之求出。
由于神经网络是并行计算的,其计算量不随维数的增加而发生指数性“爆炸”,因而对于优化问题的高速计算特别有效。

基于MATLAB神经网络的股票行情预测。
有完整源代码和文档。

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。