神经网络

基于 GA 优化的 BP 神经网络算法分析与 MATLAB 实现BP 神经网络容易陷入局部最优且收敛速度慢，而遗传算法（GA）具有全局搜索能力。将 GA 用于优化 BP 网络的初始权值和阈值，可以显著提高网络性能和收敛速度。

面试题：神经网络的超参数怎么讲？层数、神经元、学习率、Batch Size、调参方向一文讲透超参数，简单说，就是训练开始前就要先定好的外部配置。它们不是模型自己从数据里学出来的，而是你在训练之前就要先拍板的设置。

使用GEE以及LandSat8植被指数NDVI计算进入GEE 右上角dataset打开页面往下拉找到Landsat系列数据选择地表反射率的L2层级产品，这个产品是做了辐射定标，大气校正，以及正射校正的产品点击L2进入如下界面下拉找到代码编辑器，点击转到如下界面可以新建一个项目或者是使用一个创建好的项目，之后的结果会存放再对应的项目之下，第一次使用需要登录谷歌账号绑定google cloud，可以创建项目相关文件夹

PINN-物理信息神经网络及其在航空中的应用物理信息神经网络 (PINN) 在深度学习模型的训练中包含支配现实的物理定律，从而能够对复杂现象进行预测和建模，同时遵守基本物理原理。

机器学习之心

轴承剩余寿命预测 | 基于BP神经网络的轴承剩余寿命预测MATLAB实现！研究背景该代码基于IEEE PHM 2012数据挑战赛的轴承全寿命加速退化实验数据，旨在利用数据驱动方法预测滚动轴承的剩余使用寿命（RUL）。实验中轴承在恒定负载下持续运行至失效，期间通过水平/竖直加速度传感器以25.6 kHz采样频率每隔10秒采集0.1秒的振动信号。传统方法难以对多工况、多特征的退化趋势建模，而BP神经网络作为经典的非线性回归模型，能够从手工设计的时频域特征中学习退化规律，为预测性维护提供决策支持。

第五章：卷积神经网络[!info] 在第四章中，我们见证了 2012 年深度学习的爆炸时刻：Hinton、Krizhevsky 和 Sutskever 的三人团队用 AlexNet 在 ImageNet 竞赛上以 11 个百分点的巨大优势击溃了所有对手。我们用"三块拼图"（数据 × 算力 × 算法）解释了为什么革命偏偏在那一刻发生。但有一个问题被快速带过了：他们所使用的卷积神经网络里的"卷积"，到底是一种怎样的操作？为什么偏偏是它，而不是别的什么架构，在图像识别上如此有效？

面试题：神经网络的训练怎么讲？损失函数、反向传播、梯度下降、Early Stopping、GPU训练、参数量计算一文讲透很多人一听“神经网络训练”，脑子里马上冒出一堆词：损失函数、反向传播、梯度下降、过拟合、早停法、GPU训练、参数量……

基于 BP 神经网络的语音信号分类系统参考代码 matlab实现的BP神经网络，对已有的语音信号进行分类 www.youwenfan.com/contentcsu/63333.html

GraphSAGE 学习笔记GraphSAGE 是一种典型的图神经网络模型，它的全称可以理解为 Graph Sample and Aggregate，也就是“图上的采样与聚合”。

神经网络解析通道数：卷积核提取图像某方面的特征，作为1个通道卷积层：提取特征全连接层：分类nn.flatten()：降成1维的向量（适合全连接层读取）

张二娃同学

第03篇_CNN图像识别入门深度学习入门专栏 · 第 3 篇适合读者：已经阅读前两篇内容，希望继续系统学习深度学习核心方法与实践流程的初学者

GNN 学习笔记：edge_index 与 W 参数矩阵在 PyTorch Geometric 中，图结构通常使用 edge_index 表示。它的形状不是 2 × N，而是：

面试题：深度学习基础概念是什么？与机器学习区别、神经网络结构、核心特点一文讲透导读：深度学习几乎已经成了面试里的高频词，但很多人一张口就容易把“深度学习”“神经网络”“机器学习”“人工智能”混成一锅。真正好的回答，不是堆术语，而是把几个核心问题讲清楚：什么是深度学习？它和传统机器学习差别在哪？神经网络由什么组成？为什么它能做出那么多复杂任务？本文就按面试思路，把这些基础概念一层层拆开。

仙女修炼史

视觉CNN常用基础技术来源：UberNetUberNet是2017CVPR中的一篇经典论文，步入视觉领域这么很多年，依旧觉得浮于表面，没有真的理解CNN其中的奥妙，然后持续性去读一些经典的论文，总是会发现很多惊喜。UberNet就是被我挖掘出来的一批经典的论文，它的经典之处在于，它的思想，在10年后的今天，已经成为了大家共识性知识。

神经网络原理第七章：委员会机器委员会机器是一种由多个学习机器（学习者）作为组成部分的集成学习模型。它的核心思想是：通过组合多个“弱学习器”或“专业学习器”的决策，来构建一个性能更强大、更鲁棒的“强学习器”。

神经网络原理第五章：径向基函数网络径向基函数网络是与多层感知器截然不同的一类前馈神经网络。它同样具有输入层、隐藏层和输出层，但其核心思想源于多变量插值的数值分析方法。

小糖学代码

LLM系列：2.pytorch入门：10.划分训练集与测试集(sklearn.model_selection)sklearn (Scikit-Learn) 是 Python 中最负盛名、应用最广泛的传统机器学习算法库。而 model_selection 则是这个库中专门用于“模型选择与评估”的核心模块。

认知神经科学研究报告【20260049】任务目标：系统在零预设条件下，自主发现多元时间序列的最优滞后阶数、系数矩阵和因果方向。数据规模：300 样本 × 3 变量，真实模型为 VAR(2)。最终结果：成功。系统自主完成了全部三个阶段。

小糖学代码

LLM系列：3.nlp基础入门：nlp与循环神经网络自然语言处理(Natural Language Processing, NLP)是人工智能领域中最具挑战性也最迷人的分支之一。它不仅是实现机器智能的象征，更是人类通往真正人工智能的必经之路。

【AI】神经网络等相关的想法记录如flybird, 状态价值： agient状态—鸟的高度，鸟的速度，环境状态----柱子等策略价值：鸟的动作—上升，下降