在目前的 Simulink 模块中没有找到关于 BP 神经网络的封装，所以说单独使用不能完美的进行设计仿真，这时用到了S函数来连接MATLAB与Simulink的程序，神经网络学习算法于此构造，学习速率为 xite，惯性因子为 alfa，隐含层加权系数为 wi，输出层加权系数为 wo，完成仿真前首先要初始化，仿真开始后首先建立一个传递函数，然后对其进行离散化提取出分子和分母，三个输出分别对应 PID 参数中的Kp、Ki、Kd，然后是对参数的不断更新，该环节反复进行，每次数据方向传播回来后与之前的误差对比，在所有的运行过程中每个神经元的权值和阀值都会自动调整，直到取得最佳解或者达到指定次数才会停止更新。

本资源内容为人工智能学习者提供一种用excel来模拟神经网络算法的方法，提高学习兴趣或帮助同学更加了解神经网络的工作原理！资源内容详细解读神经网络算法的基本原理（内含图形深度剖析），以及在实现算法上各种公式应用的详解，一步步教大家如何去真正理解什么是神经网络算法的原理。

BP神经网络算法的优化方法，mtlab代码实例。

手写数字识别系统的设计实现matlab自带的神经网络算法实现

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

基于GA_BP神经网络的光伏出力预测 基于GA_BP神经网络的光伏出力预测 详细请见：https://blog.csdn.net/weixin_56691527/article/details/127998147?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22127998147%22%2C%22source%22%3A%22weixin_56691527%22%7D

实验结果表明：经粒子群优化过的BP神经网络有效地改善了局部极值缺陷，可应用于定位端预测穴位的位置，并在LCD中显示穴位相关信息，控制端收到位置数据后可执行电机上的运动操作。

人体的视觉系统是一个相当神奇的存在，对于下面的一串手写图像，可以毫不费力的识别出他们是504192，轻松到让人都忘记了其实这是一个复杂的工作。 实际上在我们的大脑的左脑和右脑的皮层都有一个第一视觉区域，叫做V1，里面有14亿视觉神经元。而且，在我们识别上面的图像的时候，工作的不止有V1，还有V2、V3、V4、V5，所以这么一看，我们确实威武。 但是让计算机进行模式识别，就比较复杂了，主要困难在于我们如何给计算机描述一个数字9在图像上应该是怎样的，比如我们跟计算机说，9的上面是一个圈，下右边是1竖。然而有的人写9会带勾，有的人还会在圈周围多出点什么，总的来说，这种描述法太容易出现其他状况。况且

GRNN网络的预测——基于广义回归神经网络的货运量预测

基于matlab的GRNN分类器实现的代码