搜索资源列表
Conjugateexamples
- 实现共轭梯度法的实例，该算法是一种优化算法，其具体优越性相信用者自知！-achieve conjugate gradient method example, the algorithm is an optimization algorithm, the specific advantages of knowing who to believe!
gongetidu
- 优化算法,共厄梯度法 fortran 90编译-optimization algorithm, a total of Ecuador gradient method FORTRAN 90 compiler
rbf.two
- 基于梯度法的RBF 网设计算法，适用于大专本科毕业设计，以及专业技术人员参考
Untitled6
- 基于梯度法的RBF 网设计算法，已验证，可用
Seven-RBF_NN--code
- 七个RBF神经网络的源代码:基于梯度法、OLS 、聚类、k均值聚类、函数逼近的RBF 网设计算法，及预测模型 -Seven RBF neural network source code: gradient-based method, OLS, clustering, k-means clustering, function approximation of the RBF network design algorithms, and predictive models
RBF
- 基于梯度法编写的RBF神经网络程序，实现对输入数据的逼近-Gradient method based on the preparation process of the RBF neural network to achieve the approximation of the input data
Steepest
- 计算梯度下降法计算极值，只能找到局部最小点。可以通过调整步长实现全局最小-Calculation of gradient descent method to calculate extreme value, can only find local minimum point. By adjusting the step size can achieve the global minimum
zuisutidu
- 最速梯度下降法-Steepest gradient descent method
BpTRAINING
- 自适应步长BP神经网络训练算法，采用最小误差和梯度下降法更新权值- BP neural network training anaysis， realized by using error feed back, gradient descent applied updating of synaptic weights
improveBPNet
- 改进的BP算法实现程序，以共轭梯度法实现BP神经网络。测试数据以txt格式给出。-Improved BP algorithm procedures in order to conjugate gradient method to achieve BP neural network. Test data given in txt format.
conjugate
- 共轭梯度法求极值相关源代码，本例为二元函数-Conjugate gradient extremum associated source code and binary function in this case
conjg
- 《神经网络与机器学习》书中的，根据共轭梯度法进行双月型数据的分类-" Neural Networks and Machine Learning" book, according to the conjugate gradient method for data classification based bimonthly
Improved-BP-neural-network-algorithm
- 改进型的BP神经网络算法，基于量化共轭梯度法搜索-Improved BP neural network algorithm
cg
- 最优化方法中的共轭梯度法，使我们老师写的matlab代码，绝对没有问题-Optimization Method of Conjugate Gradient Method
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
rbf
- 自己编写RBF神经网络程序，RBF神经网络隐层采用标准Gaussian径向基函数，输出层采用线性激活函数，其中数据中心、扩展常数和输出权值均用梯度法求解，它们的学习率均为0.001。其中隐节点数选为10，初始输出权值取[-0.1，0.1]内的随机值，初始数据中心取[-1，1]内的随机值，初始扩展常数取[0.1，0.3]内的随机值，输入采用[0 1]的随机阶跃输入(Write your own RBF neural network, RBF neural network hidden layer
Handwritten_digit_classification
- 分别使用梯度法和牛顿法训练数据，从而得到3和5两个数字的训练模型，对测试集进行判决，得到训练错误率(The training data were trained by the gradient method and Newton method, and the training models of 3 and 5 numbers were obtained. The test set was judged and the training error rate was obtained.)
RBF自适应
- 基于梯度下降法RBF自适应神经网络控制(RBF adaptive neural network control based on gradient descent method)
梯度下降法 回溯直线搜索 python代码
- 梯度下降法 回溯直线搜索 python代码 包含回溯直线搜索，以及初始值相同时不同alpha,beta值对下降速度的影响测试 用jupyter notebook打开
gradient_descent
- 梯度下降法python编程实例 附带相关数据文件在data.csv中 这个是油管up主Siraj Raval的课程代码(A demo of gradient descent algorithm. This is the code for "Intro - The Math of Intelligence" by Siraj Raval on Youtube)