资源列表
SAE
- 深度学习中稀疏编码的C语言程序,是根据斯坦福深度学习的教程MATLAB的代码改写的-Depth learning sparse coding in C language program is based on the Stanford deep learning tutorial MATLAB code rewrite
Denoising_Autoencoders
- 深度学习中去噪自动编码算法的C语言的简单实现-Depth study denoising automatic coding algorithm C language to achieve a simple
Stacked_Denoising_Autoencoders
- 每层以去噪自动编码算法训练，以栈式结构组成深度的学习结构-Noising algorithm to automatically encode each training to the depth of the stack structure consisting learning structure
svm-demo
- 一个svm的演示程序，能演示两类数据分类，有gui界面，不使用第三方工具箱，使用gaussian核函数，界面能设置c和gamma的参数值，最后可以得到分类情况的可视化效果。针对svm算法的研究者和用于教学演示的教师，是个不错的源码。-An svm demo program that can demonstrate two types of data classification, gui interface, do not use third-party toolbox, using gauss
traveller3
- 一些解决中国邮递员问题的算法及源代码 c语言或者c-Some Chinese postman problem solving algorithm and source code c language or c++
Exercise1-Sparse-Autoencoder
- 网址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder斯坦福深度学习的教程，这个是稀疏编码的的练习，可以直接运行-URL: http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder Stanford deep learning tutorial, this is a sparse coding exer
Exercise7-stacked-autoencoder
- 斯坦福深度学习教程中关于stacked autoencoder的练习代码，源代码中需要补全的地方，全部把代码补完整，把手写体识别的数据库放到路径下，可以直接运行-Stanford deep learning tutorial exercises on stacked autoencoder code, source code need to fill all places, all the full complement of the code, the handwriting recognit
nonlinear-system
- 在工程应用中经常会遇到一些复杂的非线性系统, 这些系统状态方程复杂, 难以用数学方法准确建模。在这种情况下, 可以建立B P神经网络表达这些非线性系统。该方法把未知系统看成是一个黑箱, 首先用系统输入输出数据训练B P神经网络, 使网络能够表达该未知函数, 然后就可以用训练好的B P神经网络预测系统输出。-In engineering applications often encounter a number of complex nonlinear systems, complex equat
Genetic-algorithm-optimization
- 遗传算法优化B P神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值, 其 基本思想就是用个体代表网络的初始权值和阈值、 个体值初始化的B P神经网络的预测误差作为该个体的适应度值, 通过选择、 交叉、 变异操作寻找最优个体, 即最优的B P神经网络初始权值。除了遗传算法之外, 还可以采用粒子群算法、 蚁群算法等优化B P神经网络初始权值。-Genetic algorithm to optimize BP neural network is designed by means of g
GEP
- 基因表达式编程算法实现函数挖掘功能，例子很完整。-Gene expression programming algorithm function mining functions, for example it is complete.
Extreme-nonlinear-function
- 用函数输入输出数据训练BP神经网络,使训练后的网络能够拟合非线性函数输出,保存训 练好的网络用于计算个体适应度值。根据非线性函数方程随机得到该函数的4000组输入输出数据,存储于data中,其中input为函数输入数据,output为函数对应输出数据,从中随机抽取3900组训练数据训练网络,100组测试数据测试网络拟合性能。最后保存训练好的网络。-With the function input and output data to train BP neural network, so th
OnlineSVR-Matlab-2006b-Code
- Online SVR工具箱，实现对数据的在线回归和分类。-Online SVR toolbox to achieve the online data regression and classification.