使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

使用Python实现模糊神经网络（FNN）用于数据预测，压缩包中源码FNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的隶属度函数中心点、宽度向量、权值等参数。

基于径向基神经网络（RBFNN）的数据预测模型（Python实现），压缩包中源码RBFNN.py为模型的训练过程，训练结束后会保存训练好的的模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括各种误差指标，.npy文件为训练后生成的中心点、宽度向量等参数，train.csv为训练数据集，test.csv为测试数据集。

复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.

通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推荐——数据集通过FNN算法进行特征组合的商品推

RBF网络的回归---实现非线性函数回归的实现

Serial port Visual basic Connect continues Function

人工智人-家居设计-基于GA和FNN的智能PID控制研究及应用.pdf

针对电网混沌铁磁谐振系统产生的混沌现象,提出基于动态模糊神经网络的混沌铁磁谐振系统非线性补偿控制方法。该方法采用动态模糊神经网络来逼近系统的非线性部分,消除了过电压的混沌现象,将系统稳定到目标位置,实现了对系统的非线性补偿控制。Matlab仿真结果表明,基于动态模糊神经网络的非线性补偿控制方法控制结果正确,响应快速。

FNNLS算法的Rust移植