<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[纸尿裤排行]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/vvccyyqq</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; vvccyyqq]]></copyright><item><title><![CDATA[神经网络是概率图模型吗,深度神经网络预测模型]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127474689</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127474689</guid><author>vvccyyqq</author><pubDate>Sun, 23 Oct 2022 14:38:19 +0800</pubDate><description><![CDATA[深度学习是什么？深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡序列），这种算法在某些应用场景中，会具有一定的优势。深度学习的优点？为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。]]></description><category></category></item><item><title><![CDATA[模糊神经网络应用实例,神经网络与模糊控制]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127460545</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127460545</guid><author>vvccyyqq</author><pubDate>Sat, 22 Oct 2022 12:54:35 +0800</pubDate><description><![CDATA[模糊控制技术是以模糊数学为理论基础的应用技术。你也许已经注意到，不论在自然界还是人类社会都存在着许多难以精确地、定量地加以描述的事物及特征，因而我们的语言中也有了许多内涵明确而外延不分明的概念和命题，如，好、坏、美、丑、高、矮、老、少等等。对于计算机来说，这种模糊性是个难以逾越的障碍。因为计算机是以形式逻辑为基础的，其解决问题的方式是将问题分解为一系列的“是”或“非”(用0或1代表)判断，面对不遵循二值逻辑、允许亦此亦彼现象存在的模糊性，它便无能为力了。]]></description><category></category></item><item><title><![CDATA[卷积神经网络的基本概念,卷积神经网络主要包括]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127460540</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127460540</guid><author>vvccyyqq</author><pubDate>Sat, 22 Oct 2022 12:53:31 +0800</pubDate><description><![CDATA[卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1]  它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。]]></description><category></category></item><item><title><![CDATA[深度神经网络的深度是?,深度神经网络的定义]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127460529</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127460529</guid><author>vvccyyqq</author><pubDate>Sat, 22 Oct 2022 12:52:27 +0800</pubDate><description><![CDATA[深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。在深度学习中，计算机模型学习直接从图像、文本或声音中执行分类任务。深度学习模式可以达到新的精确度，有时甚至超过人类的表现。大多数深度学习方法使用神经网络的架构，这也是深度学习模型通常被称为深度神经网络的原因。]]></description><category></category></item><item><title><![CDATA[神经网络输入输出数据导入,图神经网络输入输出]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127460519</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127460519</guid><author>vvccyyqq</author><pubDate>Sat, 22 Oct 2022 12:51:23 +0800</pubDate><description><![CDATA[看你的目的是什么了，一般传统分类的输出是图片的种类，也就是你说的一维向量，前提是你输入图像是也是一维的label。如果你输入的是一个矩阵的label，也可以通过调整网络的kernel达到输出一个矩阵的labels。]]></description><category></category></item><item><title><![CDATA[人工智能反向传播算法,神经网络反演算法]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127460509</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127460509</guid><author>vvccyyqq</author><pubDate>Sat, 22 Oct 2022 12:50:18 +0800</pubDate><description><![CDATA[反向传播算法被设计为减少公共子表达式的数量而不考虑存储的开销。反向传播避免了重复子表达式的指数爆炸。然而，其他算法可能通过对计算图进行简化来避免更多的子表达式，或者也可能通过重新计算而不是存储这些子表达式来节省内存。]]></description><category></category></item><item><title><![CDATA[神经网络拓扑图怎么画,神经网络和图神经网络]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127444627</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127444627</guid><author>vvccyyqq</author><pubDate>Fri, 21 Oct 2022 13:26:57 +0800</pubDate><description><![CDATA[还有一种最简单的方法就是通过网管软件自动来绘制网络拓扑，我公司现在用的就是摩卡网络管理软件，个人感觉还是不错的，首先可以自动发现网络中的拓扑，而且还可以将设备的状态信息，流量信息，资产信息和接口信息，各种路由表信息和网络拓扑图相关联，而且还可以从网络拓扑图中查看到网络设备的面板图。想楼主所说的监控那些IP设备断网了，那是必须的功能，呵呵。Xmind Zen是一款基于Xmind基础上，重写了思维导图的引擎，着眼在未来的黑科技上，提升了思维导图的展示效果，丰富了绘图的元素，加入了近100个美观的原创贴纸。]]></description><category></category></item><item><title><![CDATA[复杂神经网络的建模思路,神经网络模型数学建模]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127433178</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127433178</guid><author>vvccyyqq</author><pubDate>Thu, 20 Oct 2022 19:09:56 +0800</pubDate><description><![CDATA[关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。关于深度神经网络模型的相关学习，推荐CDA数据师的相关课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。]]></description><category></category></item><item><title><![CDATA[神经网络用于控制的优越性,神经网络稳定性理论]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127433166</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127433166</guid><author>vvccyyqq</author><pubDate>Thu, 20 Oct 2022 19:08:53 +0800</pubDate><description><![CDATA[对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；对于反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持稳定的输入—输出关系的特性神经网络的稳定性和鲁棒性。对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；]]></description><category></category></item><item><title><![CDATA[卷积神经网络预测数据值,一维卷积神经网络 keras]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127433150</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127433150</guid><author>vvccyyqq</author><pubDate>Thu, 20 Oct 2022 19:07:49 +0800</pubDate><description><![CDATA[0代表0个map，0个特征，这应该是卷积神经网络的卷积核大小、个数，卷积层数设置过程中的问题。在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（feature map）转化成（N*1）一维的一个向量全连接的目的是什么呢？因为传统的端到到的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数--类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。]]></description><category></category></item><item><title><![CDATA[神经网络可以用来预测吗,神经网络做预测的原理]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127404554</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127404554</guid><author>vvccyyqq</author><pubDate>Wed, 19 Oct 2022 11:24:19 +0800</pubDate><description><![CDATA[这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。当然，如果发现数据多到一个程度后，预测效果没什么变化，说明数据的表达能力，或者说数据的分布已经很充沛了，特征方差不变了，多了也没什么用。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。改进的神经网络算法。]]></description><category></category></item><item><title><![CDATA[函数在神经网络中的作用,神经网络算法的目的]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127404518</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127404518</guid><author>vvccyyqq</author><pubDate>Wed, 19 Oct 2022 11:23:08 +0800</pubDate><description><![CDATA[Keras中自定义目标函数（损失函数）的简单方法标签： 神经网络分类： 机器学习（2）Keras作为一个深度学习库，非常适合新手。在做神经网络时，它自带了许多常用的目标函数，优化方法等等，基本能满足新手学习时的一些需求。具体包含目标函数和优化方法。但它也支持用户自定义目标函数，下边介绍一种最简单的自定义目标函数的方法。要实现自定义目标函数，自然想到先看下Keras中的目标函数是怎么定义的。查下源码发现在Keras/objectives.py中，Keras定义了一系列的目标函数。]]></description><category></category></item><item><title><![CDATA[人工神经网络 人工智能,人工智能神经网络论文]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127404485</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127404485</guid><author>vvccyyqq</author><pubDate>Wed, 19 Oct 2022 11:21:58 +0800</pubDate><description><![CDATA[人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点人工智能神经网络综述报告。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。]]></description><category></category></item><item><title><![CDATA[神经网络训练样本 加权,神经网络训练样本个数]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127394386</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127394386</guid><author>vvccyyqq</author><pubDate>Tue, 18 Oct 2022 18:53:09 +0800</pubDate><description><![CDATA[指对人工神经网络训练。向网络足够多的样本，通过一定算法调整网络的结构（主要是调节权值），使网络的输出与预期值相符，这样的过程就是神经网络训练。根据学习环境中教师信号的差异，神经网络训练大致可分为二分割学习、输出值学习和无教师学习三种。]]></description><category></category></item><item><title><![CDATA[人工神经网络算法的应用,人工神经网络是算法吗]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127394371</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127394371</guid><author>vvccyyqq</author><pubDate>Tue, 18 Oct 2022 18:52:04 +0800</pubDate><description><![CDATA[数学工具，实现两组数据的映射（类似函数的映射，不同的是它强大地实现了两组任意阶矩阵之间的映射关系）最经典的算法是：BP算法。其思想是利用误差作为修正映射精确度的指导，最终实现符合要求的映射。]]></description><category></category></item><item><title><![CDATA[神经网络训练怎么看收敛,神经网络收敛的定义是]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127394348</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127394348</guid><author>vvccyyqq</author><pubDate>Tue, 18 Oct 2022 18:50:58 +0800</pubDate><description><![CDATA[NaN意思是Not A Number，除非是发散，不过一般不会出现这种情况神经网络收敛的定义。可能你的程序有错。如果是新定义算法的话理论上的收敛要证明,可以证明它在迭代次数趋近无穷的时候等于某一解,也可以证明它满足李普希兹条件（就是带有完备范数和李普希兹常数的那个）,这种情形下我们叫做收敛,要是用已有算法或者干脆就是BP算法的时候不需要你证明.理论上不收敛的情况是这样,当迭代次数趋近无穷的时候,权向量的解不唯一.]]></description><category></category></item><item><title><![CDATA[卷积神经网络概念与原理,卷积神经网络理论基础]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127394333</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127394333</guid><author>vvccyyqq</author><pubDate>Tue, 18 Oct 2022 18:49:53 +0800</pubDate><description><![CDATA[卷积神经网络中卷积层间的连接被称为稀疏连接（sparse connection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第l层特征图中的任意一个像素（神经元）都仅是l-1层中卷积核所定义的感受野内的像素的线性组合。且在一个通道内，所有神经元的权重系数相同。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。]]></description><category></category></item><item><title><![CDATA[模糊神经网络应用实例,模糊算法和神经网络]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127394318</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127394318</guid><author>vvccyyqq</author><pubDate>Tue, 18 Oct 2022 18:48:49 +0800</pubDate><description><![CDATA[滑模控制(sliding mode control, SMC)也叫变结构控制, 其本质上是一类特殊的非线性控制,且非线性表现为控制的不连续性. 这种控制策略与其他控制的不同之处在于系统的“结构”并不固定,而是可以在动态过程中,根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动. 由于滑动模态可以进行设计且与对象参数及扰动无关,这就使得滑模控制具有快速响应、对应参数变化及扰动不灵敏、无需系统在线辨识、物理实现简单等优点.]]></description><category></category></item><item><title><![CDATA[神经网络模型matlab例子,神经网络算法matlab]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127379179</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127379179</guid><author>vvccyyqq</author><pubDate>Mon, 17 Oct 2022 22:57:54 +0800</pubDate><description><![CDATA[现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。]]></description><category></category></item><item><title><![CDATA[卷积神经网络的作用机制,卷积神经网络激励函数]]></title><link>https://blog.csdn.net/vvccyyqq/article/details/127379164</link><guid>https://blog.csdn.net/vvccyyqq/article/details/127379164</guid><author>vvccyyqq</author><pubDate>Mon, 17 Oct 2022 22:56:50 +0800</pubDate><description><![CDATA[参数共享的话的话是因为像图片等结构化的数据在不同的区域可能会存在相同的特征，那么就可以把卷积核作为detector，每一层detect不同的特征，但是同层的核是在图片的不同地方找相同的特征。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。卷积网络的特点主要是卷积核参数共享，池化操作。]]></description><category></category></item></channel></rss>