利用竞争学习进行模式分类实例

一个简单的遗传算法源代码。。。。。代码保证尽可能少，实际上也不必查错-A simple genetic algorithm source code. . . . . Code to ensure that as little as possible, in fact, do not have error checking

EM算法，详细介绍了EM算法的应用，对研究EM算法的人来说有很大的帮助。-EM algorithm, described in detail the application of EM algorithm

height 遗传身高计算 根据父母的升高计算后代身高-height

自己用JAVA编的人工智能的A*算法的八数码程序-own use JAVA series of the artificial intelligence of the A* algorithm eight digital procedures

用遗传算法解决八皇后问题！ 有比较详细的注释！ 还有有关遗传算法理论的描述。 -Using genetic algorithms to solve the issue of the eight Queen

介绍人工智能语言Prolog的书籍-introduced artificial intelligence language books Prolog

基于遗传算法的分词论文 基于遗传算法的分词论文-Segmentation Based on Genetic Algorithms PapersSegmentation Based on Genetic Algorithms PapersSegmentation Based on Genetic Algorithms Papers

Hopfield 网――擅长于联想记忆与解迷路 实现H网联想记忆的关键，是使被记忆的模式样本对应网络能量函数的极小值。 设有M个N维记忆模式，通过对网络N个神经元之间连接权 wij 和N个输出阈值θj的设计，使得: 这M个记忆模式所对应的网络状态正好是网络能量函数的M个极小值。 比较困难，目前还没有一个适应任意形式的记忆模式的有效、通用的设计方法。 H网的算法 1）学习模式――决定权重 想要记忆的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 则任意两个神经元j、i间的权重： wij=∑ap(i)ap(j)，p=1…p； P：模式的总数 ap(s)：第p个模式的第s个要素（-1或1） wij：第j个神经元与第i个神经元间的权重 i = j时，wij=0，即各神经元的输出不直接返回自身。 2)想起模式： 神经元输出值的初始化 想起时，一般是未知的输入。设xi(0)为未知模式的第i个要素（-1或1） 将xi(0)作为相对应的神经元的初始值，其中，0意味t=0。 反复部分：对各神经元，计算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n―神经元总数 f（）--Sgn（） θi―神经元i发火阈值 反复进行，直到各个神经元的输出不再变化。-Hopfield network-- good at associative memory solution with the realization of lost H associative memory networks, are key to bringing the memory model samples corresponding network energy function of the minimum. With M-N-dimensional memory model, the network N neurons connect between right wij and N output threshold j design makes : M-mode memory corresponding to the network is a state network energy function is the M-000 minimum. Mor

矩阵计算库，经改编过的，可以扩充，可读性很好。-matrix calculation library, adapted too, can be expanded, good readability.

此文档是遗传算法原理加源代码。 生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。 -This document is the principle of genetic algorithm source code increases. Biological evolution is a wonderful optimization process, it eliminated by choosing a sudden variation of genetic and other changes in the law to adapt to the environment arising from the fine species. Genetic algorithm is based on ideas of biological evolution and the inspiration derived from a global optimization algorithm.