Apriori数据挖掘算法的C++实现，传统的算法Apriori

1,改进BP神经网络在股市预测中的应用.2,基于MATLAB工具箱的开采煤层自燃危险性预测.3,基于改进的神经网络的电力系统负荷预报.4,基于神经网络的灌溉用水量预测.5,基于遗传算法改进BP网络的地表沉陷预计.6,利用遗传算法改进BP学习算法.7,模糊神经网络在电力市场短期负荷预测中的应用.8,神经网络学习算法存在的问题及对策.9,遗传神经网络在电力系统短期负荷预测中的应用.10,应用改进BP神经网络进行用水量预测.11,用遗传算法改进的BP模型在刹车系统诊断中的应用研究.12,遗传算法改进的BP神经网络对汛期三门峡水库泥沙冲淤量的计算13,基于遗传算法的人工神经网络学习算法14.自适应遗传算法优化管网状态估计神经网络模型.15,基于GA_RBF神经网络的电梯交通流模式识别的研究-Improved BP Neural Network in Stock Market Prediction

模式识别中的寻路算法：A星算法的实现及简单应用-Pattern Recognition routing algorithm: A Star algorithm and a simple application

人工神经网络技术在智能分布式检索系统中应用- The artificial nerve network technology applies in the intelligent distributional retrieval system

人工神经网络java工具箱源代码 包含BP网络，K分类和RBF网络-ANN java source code toolkit includes BP, K Classification and RBF Network

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

遗传算法，包含选择，交叉，变异等操作，可求出Y=sin(x)在0-2π的最大值和最小值-Genetic algorithm, including selection, crossover and mutation operation, etc., can be obtained Y = sin (x) at the 0-2π Maximum and minimum

workbench的应用开发-application development workbench

【机器学习】文本分类源代码 【机器学习】文本分类源代码 -] [Machine learning text classification source code] [machine learning text classification source code

一种通过自组织竞争学习网络实现数据降维和可视化的单层神经网络模型。用此算法可以把输入空间的多维映射到低维的（一维或者二维）的离散网络上，并将保持相同性质的输入数据在映射到低维空间时的拓扑一致性。iris以及letter两个数据集进行分类-A competitive learning through self-organizing network for data dimensionality reduction and visualization of single-layer neural network model. Using this algorithm can be multi-dimensional input space is mapped to the low-dimensional (one-dimensional or two-dimensional) discrete network, and will remain the same as the nature of the input data is mapped to the low-dimensional space of topological consistency. iris as well as the letter the two data sets to classify

BP网络神经元控制器BPNNC-BPNNC of the BPnetwork neuron controller