程式：
clc;
clear;
close all;
%產生400個資料的輸入與輸出
ld=400;
x=rand(2,ld); %0-1
x=(x-0.5)*1.5*2; %-1.5, 1.5
x1=x(1,:);
x2=x(2,:);
f=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);
%建立rbf徑向基網路
net=newrb(x,f);
%產生測試資料
interval=0.1; %步長
[i, j]=meshgrid(-1.5:interval:1.5,-1.5:interval:1.5);%定義i、j的值域
row=size(i); %返回size的尺寸31行31列
%將i，j轉換為行向量作為輸入資料
tx1=i(:);%將i矩陣轉換為列向量
tx1=tx1';
tx2=j(:);%將j矩陣轉換為列向量
tx2=tx2';
tx=[tx1;tx2];
%testing
ty=sim(net,tx); %開始測試 測試資料需要是行向量 得到測試結果ty
v=reshape(ty,row); %將輸出資料轉換為31*31向量 以繪製三維圖形
figure
subplot(1,3,2) %一行3列圖 的第二個位置
mesh(i,j,v);
zlim([0,60]) %限制z軸的範圍
%plot the original function
interval=0.1;
[x1, x2]=meshgrid(-1.5:interval:1.5);
f = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);
subplot(1,3,1)
mesh(x1,x2,f);
zlim([0,60])
%plot the error
subplot(1,3,3)
mesh(x1,x2,f-v); %誤差圖
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路簡介 多層神經網路
如上圖所示，該神經網路有三層。我們標記第一層 也就是輸入層 為a 1 第一層與第二層連線權重為w 1 然後第一層輸入與第一層權重的線性和為z 1 第一層神經元個數為n 1 並依次標記剩餘網路層。可以看出，存在 z l j i 1 n l a l i w l i,j a l w l j a l 1 f...