基于贝叶斯的数据挖掘算法的实现,使用visual stutio2005编程实现。

关于遗传算法 源代码-On the genetic algorithm source code

每条人工鱼迭代20次的位置,每条人工鱼迭代20次的位置,对应的Y的值,每条人工鱼迭代20次的临时位置,公告牌,每条人工鱼迭代20次的位置,对应的Y的临时值，公告牌,人工鱼移动的最大步长,求出最优的函数值；-Each of artificial fish, the location of 20 iterations, each iteration of artificial fish, the location of 20 times the corresponding value of Y, each iteration of artificial fish 20 times a temporary location, bulletin boards, each iteration of artificial fish 20 second position, corresponding to the provisional value of Y, bulletin boards, artificial fish, the biggest step to move, find the optimal function value

基于C开发的三个隐层神经网络，输出权值、阈值文件，训练样本文件，提供如下函数：1）初始化权、阈值子程序；2）第m个学习样本输入子程序；3）第m个样本教师信号子程序；4）隐层各单元输入、输出值子程序；5）输出层各单元输入、输出值子程序；6）输出层至隐层的一般化误差子程序；7）隐层至输入层的一般化误差子程序；8）输出层至第三隐层的权值调整、输出层阈值调整计算子程序；9）第三隐层至第二隐层的权值调整、第三隐层阈值调整计算子程序；10）第二隐层至第一隐层的权值调整、第二隐层阈值调整计算子程序；11）第一隐层至输入层的权值调整、第一隐层阈值调整计算子程序；12）N个样本的全局误差计算子程序。-C development based on the three hidden layer neural network, the output weights, threshold documents, training sample documents, for the following functions : a) initialization, the threshold subroutine; 2) m learning samples imported subroutine; 3) m samples teachers signal Subroutine ; 4) hidden layer of the module input and output value subroutine; 5) the output layer of the module input and output value subroutine; 6) the output layer to the hidden layer subroutine error of generalization; 7) hidden layer to the input layer subroutine error of generalization; 8) the output layer to the third hidden layer Weight adjustment, the output layer threshold adjustment routines; 9) 3rd hidden layer t

BP神经网络C语言程序包-BP neural network C language package

神经网络计算双色球程序，采用快速的神经网络函数来实现，准确度高-Loans neural network computing procedures, the use of a fast neural network function to realize high accuracy

基于神经网络的字母识别系统 -Letters based on neural network recognition system

详细介绍了MATLAB遗传算法工具箱及在工程方面的应用，有了这本书，可以很方便地使用遗传算法解决问题了-Detailed MATLAB genetic algorithm toolbox and its application in engineering, with this book, it is easy to use genetic algorithms to solve the problem of

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

Counterpropagation Network Vision 源码, 经典的CPN人工神经网络例子源码-Counterpropagation Network Vision Source, a classic example of artificial neural network CPN-source