搜索资源列表
som349
- 自组织 Kohonen 映射程序，当一个神经网络接受外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布。最邻近的神经元互相刺激，而较远的神经元则相互抑制，更远一些的则具有较弱的刺激作用。自组织特征映射法是一种无教师的聚类方法。 -Kohonen self-organizing map process, when a neural network to outside input mode, will be divid
自组织特征映射应用实例
- 开发环境:Matlab 简要说明:自组织特征映射模型(Self-Organizing feature Map)，认为一个神经网络接受外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布。最邻近的神经元互相刺激，而较远的神经元则相互抑制，更远一些的则具有较弱的刺激作用。自组织特征映射法是一种无教师的聚类方法。-development environment : Matlab Brief Descr iption : Se
Fortran_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
SOM
- 自組織映射網路(SOM) ，一種以競爭架構為學習基礎的類神經網路模式 SOM網路是模仿腦神經細胞『物以類聚』的特性 -Network self-organizing map (SOM), a competitive framework for the learning-based neural network model of SOM network is based on nerve cells 』『物以类聚characteristics
cuda-GPU
- 本文详细分析了Tesla GPU图形与计算架构和CUDA统一计算设备架构，详细描述了如何对计算任务进行并行分解，并通过CUDA的双层并行编程模型映射到Tesla GPU上。 在本文的实现部分，以软件开发流程为主线，描述了如何利用CUDA实现模式识别中的三种常用算法-The paper analyzed the Tesla GPU computing architecture and CUDA graphics and computing devices unified architecture,
C_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
Matlab_bp
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-
BP
- 构建BP神经网络，源码。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。-BP neural network to build, source. BP network can learn and store a lot of input- out
IrisDC06
- 分类是数据挖掘 、机器学习 和模式识别 中一个重要的研究领域。分类的目的是学会一个分类模型 (称作分类器)，该模型能把未知类别的数据项映射到给定类别中。目前发展较成熟的几种分类算法 如决策树、神经网络、贝叶斯方法、遗传算法等。分类具有广泛的应用，例如医学诊断、信用卡系统的信用分级、图像模式识别等。本毕业设计通过使用鸢尾属植物(IRIS)数据集，对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较，总结出了各种算法的特性，为使用者选择算法或研究者改进算法提供了依据。-Classificatio
sfrz
- 基于等距映射( ISOMAP) 非线性降维算法, 提出了一种新的基于用户击键特征的用户身份认证算法, 该算法用测地距离代 替传统的欧氏距离, 作为样本向量之间的距离度量, 在用户击键特征向量空间中挖掘嵌入的低维黎曼流形, 进行用户识别。用采集 到的1 500 个击键模式数据进行实验测试, 结果表明, 该文的算法性能优于现有的同类算法, 其错误拒绝率( FRR) 和错误通过率 ( FAR) 分别是1.65 和0 , 低于现有的同类算法。-Based isometric map (ISO
The-BP-neural-network-
- BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，此代码能实现BP神经网络的数据分类-语音特征信号分类-BP network can learn and store a lot of input and output model mapping relations, without prior reveals describe the mapping relation mathematical equations, the code can realiz
Desktop
- k均值聚类及自组织映射（SOFM）算法应用 二维模式矢量的分类-k-means clustering and self-organizing map (SOFM) algorithm is applied two-dimensional mode vector classification
BP
- BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。-Back Propagation (BP), a multi-layer feedforward neural network trained by the error back propagation al
BP网络
- BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法（梯度法），通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input layer）、隐层(hide layer)和输出层(outpu
BP
- BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。(BP nntool is a multilayer feedforward network trained by error inverse propagation algorithm. It is one