人工神經網絡(Aartificial Neural Network，下簡稱ANN)是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家Warren S.Mcculloch和數學家Walth H.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法，Back Propagation)，它的網絡結構及算法直觀、簡單，在工業領域中應用較多。
標簽： Aartificial Network Neural 人工神經網絡
上傳時間： 2014-01-03
上傳用戶：zhangzhenyu
matlab處理指紋圖像，由于指紋的唯一性、可靠性和穩定性，指紋已成為身份識別和鑒定的一個重 要標志，并被公認為“物證之首”。指紋識別作為一種生物識別技術，歷來受到人們的廣泛關注和重視，是未來個人身份認證的重要組成部分。
上傳時間： 2017-06-19
上傳用戶：牛津鞋
遺傳算法 遺傳算法簡稱GA(Genetic Algorithm)，在本質上是一種不依賴具體問題的直接搜索方法。遺傳算法在模式識別、神經網絡、圖像處理、機器學習、工業優化控制、自適應控制、生物科學、社會科學等方面都得到應用。在人工智能研究中，現在人們認為“遺傳算法、自適應系統、細胞自動機、混沌理論與人工智能一樣，都是對今后十年的計算技術有重大影響的關鍵技術”。
上傳時間： 2013-12-28
上傳用戶：xfbs821
遺傳算法簡稱GA(Genetic Algorithm)，在本質上是一種不依賴具體問題的直接搜索方法。遺傳算法在模式識別、神經網絡、圖像處理、機器學習、工業優化控制、自適應控制、生物科學、社會科學等方面都得到應用。在人工智能研究中，現在人們認為“遺傳算法、自適應系統、細胞自動機、混沌理論與人工智能一樣，都是對今后十年的計算技術有重大影響的關鍵技術”。
上傳時間： 2013-12-15
上傳用戶：lhc9102
遺傳算法簡稱GA(Genetic Algorithm)，在本質上是一種不依賴具體問題的直接搜索方法。遺傳算法在模式識別、神經網絡、圖像處理、機器學習、工業優化控制、自適應控制、生物科學、社會科學等方面都得到應用。在人工智能研究中，現在人們認為“遺傳算法、自適應系統、細胞自動機、混沌理論與人工智能一樣，都是對今后十年的計算技術有重大影響的關鍵技術”。
上傳時間： 2017-06-25
上傳用戶：wendy15
基于小波分析和主成分分析的人臉識別研究隨著社會的發展，社會各個方面對快速有效的身份驗證的要求日益迫切。由 于生物特征是人的內在屬性，具有很強的自身穩定性和個體差異性，因此是身份 驗證的理想依據。其中利用人臉特征又是最自然直接的手段，相比其他生物特征， 它具有直接、友好、方便的特點，易于為用戶接受。從而，人臉識別吸引了越來 越多來自計算機視覺和信號處理等領域的關注，成為模式識別、圖像處理等學科 的研究熱點。
上傳時間： 2017-07-15
上傳用戶：qiaoyue
對逆問題的研究，在生物成像中的應用,建模及解的方法
標簽：
上傳時間： 2017-07-16
上傳用戶：wanqunsheng
matlab寫的簡單的聯想網絡實例，模擬dog,meat,light生物條件反射實驗
上傳時間： 2017-08-07
上傳用戶：450976175
指紋識別作為一種生物鑒定技術，為人類的個體的定義提供了一個到目前為止最為快捷和可信的方法。隨著指紋識別的普及，人們之間的信任成本將大大降低，提高人類社會活動的效率。在信息時代，一種安全便捷的身份認證方式顯得越發重要。這個matlab程序是一個簡易的指紋識別程序
上傳時間： 2015-05-26
上傳用戶：1600650036
遺傳算法為群體優化算法，也就是從多個初始解開始進行優化，每個解稱為一個染色體，各染色體之間通過競爭、合作、單獨變異，不斷進化。 優化時先要將實際問題轉換到遺傳空間，就是把實際問題的解用染色體表示，稱為編碼，反過程為解碼，因為優化后要進行評價，所以要返回問題空間，故要進行解碼。SGA采用二進制編碼，染色體就是二進制位串，每一位可稱為一個基因；解碼時應注意將染色體解碼到問題可行域內。 遺傳算法模擬“適者生存，優勝劣汰”的進化機制，染色體適應生存環境的能力用適應度函數衡量。對于優化問題，適應度函數由目標函數變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數或者加負號處理。SGA要求適應度函數>0，對于<0的問題，要通過加一個足夠大的正數來解決。這樣，適應度函數值大的染色體生存能力強。 遺傳算法有三個進化算子：選擇（復制）、交叉和變異。 SGA中，選擇采用輪盤賭方法，也就是將染色體分布在一個圓盤上，每個染色體占據一定的扇形區域，扇形區域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話，旋轉指針，指針停下來時會指向某一個區域，則該區域對應的染色體被選中。顯然適應度高的染色體由于所占的扇形區域大，因此被選中的幾率高，可能被選中多次，而適應度低的可能一次也選不中，從而被淘汰。算法實現時采用隨機數方法，先將每個染色體的適應度除以所有染色體適應度的和，再累加，使他們根據適應度的大小分布于0-1之間，適應度大的占的區域大，然后隨機生成一個0-1之間的隨機數，隨機數落到哪個區域，對應的染色體就被選中。重復操作，選出群體規模規定數目的染色體。這個操作就是“優勝劣汰，適者生存”，但沒有產生新個體。 交叉模擬有性繁殖，由兩個染色體共同作用產生后代，SGA采用單點交叉。由于SGA為二進制編碼，所以染色體為二進制位串，隨機生成一個小于位串長度的隨機整數，交換兩個染色體該點后的那部分位串。參與交叉的染色體是輪盤賭選出來的個體，并且還要根據選擇概率來確定是否進行交叉（生成0-1之間隨機數，看隨機數是否小于規定的交叉概率），否則直接進入變異操作。這個操作是產生新個體的主要方法，不過基因都來自父輩個體。 變異采用位點變異，對于二進制位串，0變為1，1變為0就是變異。采用概率確定變異位，對每一位生成一個0-1之間的隨機數，看是否小于規定的變異概率，小于的變異，否則保持原狀。這個操作能夠使個體不同于父輩而具有自己獨立的特征基因，主要用于跳出局部極值。 遺傳算法認為生物由低級到高級進化，后代比前一代強，但實際操作中可能有退化現象，所以采用最佳個體保留法，也就是曾經出現的最好個體，一定要保證生存下來，使后代至少不差于前一代。大致有兩種類型，一種是把出現的最優個體單獨保存，最后輸出，不影響原來的進化過程；一種是將最優個體保存入子群，也進行選擇、交叉、變異，這樣能充分利用模式，但也可能導致過早收斂。 由于是基本遺傳算法，所以優化能力一般，解決簡單問題尚可，高維、復雜問題就需要進行改進了。 下面為代碼。函數最大值為3905.9262，此時兩個參數均為-2.0480，有時會出現局部極值，此時一個參數為-2.0480，一個為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優模式保留，結果會更豐富些，也就是算法最后不一定收斂于極值點，當然局部收斂現象也會有所減少，但最終尋得的解不一定是本次執行中曾找到過的最好解。
標簽： 遺傳算法
上傳時間： 2015-06-04
上傳用戶：芃溱溱123
