本课题牵涉神经网络和遗传算法。两者都是当今广泛应用的智能算法。两者有共同点也有不同点，有各自的优点和缺点。人们也尝试将两者结合，实现互补。在结合过程中最常见的便是用遗传算法作为训练神经网络的算法。众所周知，神经网络的经典算法一直难以克服陷入局部极小点的缺点，而遗传算法的随机特征能一定程度克服这个缺点。本文另辟蹊径，将神经网络应用于遗传算法中。适应度函数作为遗传算法的重要组成部分，通常是事先确定的。比如在用遗传算法搜索函数最小点时，函数本身就是天然的适应度函数。但是认真想一想，把这个函数作为适应度函数其实也并不完全好。函数值的大小并不一定反应该点是否接近最小值，或者保留它有利于搜索最小值。本文利用神经网络来训练适应度函数，避免适应度函数对遗传算法中单个“染色体”或“物种”做出过于严格的判断。此外，适应度函数如果太复杂会使计算负担加重，而神经网络一般只涉及简单得计算，故而可以提高效率。 如果该方法能够成功，那么我们不仅提供了一种新的优化方法，而且能更加真实地反应物种进化的过程。对生物学研究也会有启发。

安全帽的佩戴对于很多场景非常重要，尤其是生产建筑工地。而且，建筑工地中被物体 撞击和坠落是最常见的致命事故类型，占总体的 68％以上。但是，在实际场景中，人员地域 分布广，环境复杂，操作量大，安全监督有限，难以实现实时全程的安全管理，因此有必要 开发自动的安全帽识别方法。 由于安全帽在实际场景中存在遮挡、尺度、数据集少、小对象识别、安全帽载体识别等 挑战问题，使得安全帽的自动识别非常困难；同时与人脸相比，行人有较大的遮挡和柔性的 变化，在密集人群时检测困难，而且没有人脸无法取证。 本项目的目的是基于检测的多人脸框信息，自动回归出安全帽组的候选区域，并进一步 将各个人脸作为取证，同时识别候选区域是否存在安全帽，本项目提供了解决上述问题的一 种基于人脸检测框回归安全帽位置的技术。

个性化HRTF合成 基于神经网络，主成分分析和人体测量学的个性化HRTF的合成。 该存储库是作为巴西圣玛丽亚联邦大学声学工程学士学位论文项目的一部分开发的。 个性化HRTF应用 使用提出的模型，可用于生成具有SOFA或HeSuVi扩展名的个性化HRTF的MATLAB应用。 Auraliza应用程序 可以使用SOFA HRTF和n通道音频输入创建实时虚拟听觉场景的MATLAB应用。 主-（基于PCA） 包含预处理和后处理，回归模型和HRTF重建例程。 可能有必要为本地目录调整路径。 功能 与SOFA HRTF和主要例程使用的常规功能一起使用的工具箱。

Matlab基于神经网络的身份证识别系统源代码.基于Matlab的神经网络的身份证识别系统。需要先进行数字区域的定位，分割，裁剪字符切割，利用模板匹配或者是神经网络的方法进行逐个数字的识别，输出带有人机交互界面，需要在人机交互界面的基础之上也可进行二次拓展。Matlab基于神经网络的身份证识别系统源代码.基于Matlab的神经网络的身份证识别系统。需要先进行数字区域的定位，分割，裁剪字符切割，利用模板匹配或者是神经网络的方法进行逐个数字的识别，输出带有人机交互界面，需要在人机交互界面的基础之上也可进行二次拓展。Matlab基于神经网络的身份证识别系统源代码.基于Matlab的神经网络的身份证识别系统。需要先进行数字区域的定位，分割，裁剪字符切割，利用模板匹配或者是神经网络的方法进行逐个数字的识别，输出带有人机交互界面，需要在人机交互界面的基础之上也可进行二次拓展。

pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。 pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构，就可以完成垃圾的智能识别与智能分类工作。pytorch基于神经网络模型与树莓派的智能垃圾桶项目源代码。利用训练好的神经网络模型迁移到树莓派上。再结合舵机和设计的垃圾桶结构

基于神经网络模型对具体病症的诊疗与分析项目源代码。 将临床上特应性皮炎患者不可描述的自然语言处理成可量化、可统计的数据，建立特应性皮炎患者的数据库，找出他们其中的相似点和共通点，并搭建神经网络模型，使用现有数据对模型进行训练，最终实现自动诊疗并导出病人治疗方案。 本项目创新点在于通过NLP对医院电子病例中自然语言进行数据化格式化处理，解决了自然语言由于其目标表示的复杂性、映射类型的多样性等特点造成的语义和语法的模糊性，帮助医院制定个性化治疗方案。 将临床上特应性皮炎患者不可描述的自然语言处理成可量化、可统计的数据，建立特应性皮炎患者的数据库，找出他们其中的相似点和共通点，并搭建人工神经网络，使用现有数据对模型进行训练，最终实现自动诊疗并导出病人治疗方案。 本项目创新点在于通过NLP对医院电子病例中自然语言进行数据化格式化处理，解决了自然语言由于其目标表示的复杂性、映射类型的多样性等特点造成的语义和语法的模糊性，帮助医院制定个性化治疗方案。

基于神经网络模型和树莓派的自动驾驶小车项目源代码。小车使用arduino，树莓派等硬件模块，采用摄像头，并使用神经网进行路径识别的自动驾驶。主要设计方法如下，先用arduino、树莓派和摄像头等模块搭建小车。再用树莓派摄像头采集到的图片通过局域网发送到上位机。上位机保存图像，处理后得到训练集。接着，在电脑上训练神经网络模型。得到模型后，运行自动驾驶程序，摄像头捕获图片，上位机接收图像，加载训练模型，解算图像得出控制参数，通过蓝牙发送给arduino，控制小车。 在采集数据的过程中，要保证树莓派和上位机连在同一个网段下。分别运行下面两个代码在上位机端和树莓派端。收集训练数据制作数据集的代码路径如下：上位机端运行的代码：collect_training_data3.py 树莓派端运行的代码：stream_client.py运行训练算法模型的程序，我们就可以将MLP模型通过搜集好的训练数据，在上位机上训练了，执行训练程序后，就可以完成训练，得到参数模型了。训练模型的代码mlp_training.py 训练之后，就可以得到mlp在我们获取的数据集的参数模型了。参数模型的保存路

基于神经网络补偿的多传感器航迹融合2009研究生数学建模c题

python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码基于神经网络的虚假评论识别系统源码。python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码基于神经网络的虚假评论识别系统源码。python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码python本科毕业设计基于神经网络的虚假评论识别系统源码基于神经网络的虚假评论识别系统源码。

基于神经网络的冷轧带钢表面缺陷检测与分类技术研究