神经网络主要有哪三种算法 遗传演算法和深度神经网路演算法的区别？相比谁好些

遗传演算法和深度神经网路演算法的区别？相比谁好些  

遗传演算法和深度神经网路演算法的区别？相比谁好些

遗传演算法是一种智慧计算方法，针对不同的实际问题可以设计不同的计算程式。它主要有复制，交叉，变异三部分完成，是仿照生物进化过程来进行计算方法的设计。
模糊数学是研究现实生活中一类模糊现象的数学。简单地说就是像好与坏怎样精确的描述，将好精确化，用数字来表达。
神经网路是一种仿生计算方法，仿照生物体中资讯的传递过程来进行数学计算。
这三种知识都是近40年兴起的新兴学科，主要应用在智慧模糊控制上面。这三者可以结合起来应用。如用模糊数学些遗传演算法的程式，优化神经网路，最后用神经网路控制飞行器或其他物体

学习遗传演算法和神经网路演算法看什么书好？

理论方面用:
<遗传演算法---理论,应用与软体实现> 王小平 西安交大出版社
(本人从十本相关书籍中选的一本)
软体实现用:
<MATLAB 遗传演算法工具箱及应用> 雷英杰 西安电子科技大学出版社
遗传演算法是模仿DNA进化的过程,通过选择,交叉,变异的方法的搜寻全域性最优解的一种演算法,根据你制定的适应度函式,搜寻适应度高的基因组合,适应度高的基因组合在下一代所占的比列更高,而适应度低的组合被淘汰.通过一代一代的筛选繁衍,最终找到全域性接近最优解.
适用于数值优化，如多目标函式优化。以及组合优化，如NP问题－〉作业排程，旅行问题，揹包问题。神经网路是遗传演算法的进阶,进一步深入可以解决机器学习与人工智慧和生命工程问题.

什么是蚁群演算法，神经网路演算法，遗传演算法

蚁群演算法又称蚂蚁演算法，是一种用来在图中寻找优化路径的机率型演算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群演算法是一种模拟进化演算法,初步的研究表明该演算法具有许多优良的性质.针对PID控制器引数优化设计问题,将蚁群演算法设计的结果与遗传演算法设计的结果进行了比较,数值模拟结果表明,蚁群演算法具有一种新的模拟进化优化方法的有效性和应用价值。
神经网路
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将资讯化成概念，并用符号表示，然后，根据符号运算按序列模式进行逻辑推理；这一过程可以写成序列的指令，让计算机执行。然而，直观性的思维是将分散式储存的资讯综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.资讯是通过神经元上的兴奋模式分布储在网路上;2.资讯处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网路就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于资讯的分散式储存和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网路系统所能实现的行为却是极其丰富多彩的。
神经网路的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网路、神经系统的生物原型结构及其功能机理。
（2）建立理论模型。根据生物原型的研究，建立神经元、神经网路的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网路模型与演算法研究。在理论模型研究的基础上构作具体的神经网路模型，以实现计算机馍拟或准备制作硬体，包括网路学习演算法的研究。这方面的工作也称为技术模型研究。
（4）人工神经网路应用系统。在网路模型与演算法研究的基础上，利用人工神经网路组成实际的应用系统，例如，完成某种讯号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的程序中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网路的研究将伴随着重重困难的克服而日新月异。
遗传演算法，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜寻最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传演算法（SGA）。

深度神经网路演算法用什么软体处理

微软介绍，这种新型语音识别软体采用了名为“深度神经网路”的技术，使得该软体处理人类语音的过程与人脑相似。对此微软必应(Bing)搜寻业务部门主管斯特凡·维茨(Stefan Weitz)在本周一表示：“我们试图复制人脑聆听和处理人类语音的方式。”
微软还表示，与原有WP手机语音识别技术相比，新型技术的语音识别准确性提高了15%，且建立相应文字及搜寻关键词的速度也更快。如此一来，必应返回相应搜寻结果所用时间比以前快了两倍。
微软语音处理技术部门高阶专案经理迈克尔·特加尔夫(Michael Tjalve)也表示：“通过我们最新的语音识别器，你不但得到的结果更好，而且速度更快。”
微软已面向美国市场的Windows Phone手机使用者释出了这项技术。使用者通过这项新技术，将更容易使用语音命令来建立简讯、进行网路搜寻等活动。

hopfield神经网路和遗传演算法的不同点

两者不同的地方非常多吖，或者说，两者根本就没有多少相同的。
hopfield网路，基本上是设定了一个机制，使每次能量都下跌。
而遗传演算法，则非常的不同，是种群搜寻的机制，先初始化一堆的解，然后每次按概述让优秀解进入下一代（注意到，有可能有不优秀的也可以进入，而hopfield是每一代能量都会下跌），下一代再通过交叉和变异等机制，产生新的一代。由于每次竞选下一代都会让优秀的更大概率通过，所以按概率，每一代都会比上一代更优秀 ，就这样，最后进化到中够优秀的一代。
两者同是通过数次跌代，最后趋于稳定。
但两者不同，遗传演算法是每一代是一个种群，而hopfield是一个个体。遗传演算法每一代允许更差的情况，有助于跳出区域性最成。而hopfield每次能量都是下跌的，有贪婪演算法的味道 ，一般不能跳出区域性最优。
这样。
《神经网路之家》

关于神经网路，蚁群演算法和遗传演算法

蚁群演算法最开始应用于TSP问题，获得了成功，后来又广泛应用于各类组合优化问题。但是该演算法理论基础较薄弱，演算法收敛性都没有得到证明，很多引数的设定也仅靠经验，实际效果也一般，使用中也常常早熟。

遗传演算法是比较成熟的演算法，它的全域性寻优能力很强，能够很快地趋近较优解。主要应用于解决组合优化的NP问题。

这三种演算法可以相互融合，例如GA可以优化神经网路初始权值，防止神经网路训练陷入区域性极小且加快收敛速度。蚁群演算法也可用于训练神经网路，但一定要使用优化后的蚁群演算法，如最大-最小蚁群演算法和带精英策略。

如何用70行程式码实现深度神经网路演算法

你“行”的概念是什么？ 用C++之后在matlab中编译成mex后，使用的时候一行程式码就可以了。
同理，实现演算法本身中基本的运算过程是不是展开，用什么平台、语言？
再者，什么型别的网路？ 普通的全连线？ 区域性连线的卷积神经网路？ Deep Residual Neork? 不同型别的网路结构上会不一样。

厉害的神纹大师，向来都是被人所供奉著的，受人尊敬，各方的大势力，都愿意出大代价养着他们，只要他们愿意。
四阶神纹大师从来不会缺少财富，也不会缺少名声，走到哪里，都如众星捧月般，即便在此时，好几位老者身后，都有元府上三重的强者护卫着他们的安全。
一些在武道上成就有限的人，他们如若在神纹上有所天赋，会花大量的时间研修神纹，因此即便是四阶的神纹大师，却可能只是元府境的修为，因此，他们需要护卫，自然，也有人愿意当他们的护卫。

如何用70行java程式码实现深度神经网路演算法

神经网路结构如下图所示，最左边的是输入层，最右边的是输出层，中间是多个隐含层，对于隐含层和输出层的每个神经节点，都是由上一层节点乘以其权重累加得到，标上“+1”的圆圈为截距项b，对输入层外每个节点：Y=w0*x0+w1*x1+...+wn*xn+b，由此我们可以知道神经网路相当于一个多层逻辑回归的结构。
import java.util.Random;
public class BpDeep{
public double[][] layer;神经网路各层节点
public double[][] layerErr;神经网路各节点误差
public double[][][] layer_weight;各层节点权重
public double[][][] layer_weight_delta;各层节点权重动量
public double mobp;动量系数
public double rate;学习系数

public BpDeep(int[] layernum, double rate, double mobp){
this.mobp = mobp;
this.rate = rate;
layer = new double[layernum.length][];
layerErr = new double[layernum.length][];
layer_weight = new double[layernum.length][][];
layer_weight_delta = new double[layernum.length][][];
Random random = new Random();
for(int l=0;l<layernum.length;l++){
layer[l]=new double[layernum[l]];
layerErr[l]=new double[layernum[l]];
if(l+1<layernum.length){
layer_weight[l]=new double[layernum[l]+1][layernum[l+1]];
layer_weight_delta[l]=new double[layernum[l]+1][layernum[l+1]];
for(int j=0;j<layernum[l]+1;j++)
for(int i=0;i<layernum[l+1];i++)
layer_weight[l][j][i]=random.nextDouble();随机初始化权重
}
}
}
逐层向前计算输出
public double[] puteOut(double[] in){
for(int l=1;l<layer.length;l++){
for(int j=0;j<layer[l].length;j++){
double z=layer_weight[l-1][layer[l-1].length][j];
for(int i=0;i<layer[l-1].length;i++){
layer[l-1][i]=l==1?in[i]:layer[l-1][i];
z+=layer_weight[l-1][i][j]*layer[l-1][i];
}
layer[l][j]=1/(1+Math.exp(-z));
}
}
return layer[layer.length-1];
}
逐层反向计算误差并修改权重
public void updateWeight(double[] tar){
int l=layer.length-1;
for(int j=0;j<layerErr[l].length;j++)
layerErr[l][j]=layer[l][j]*(1-layer[l][j])*(tar[j]-layer[l][j]);

while(l-->0){
for(int j=0;j<layerErr[l].length;j++){
double z = 0.0;
for(int i=0;i<layerErr[l+1].length;i++){
z=z+l>0?layerErr[l+1][i]*layer_weight[l][j][i]:0;
layer_weight_delta[l][j][i]= mobp*layer_weight_delta[l][j][i]+rate*layerErr[l+1][i]*layer[l][j];隐含层动量调整
layer_weight[l][j][i]+=layer_weight_delta[l][j][i];隐含层权重调整
if(j==layerErr[l].length-1){
layer_weight_delta[l][j+1][i]= mobp*layer_weight_delta[l][j+1][i]+rate*layerErr[l+1][i];截距动量调整
layer_weight[l][j+1][i]+=layer_weight_delta[l][j+1][i];截距权重调整
}
}
layerErr[l][j]=z*layer[l][j]*(1-layer[l][j]);记录误差
}
}
}

public void train(double[] in, double[] tar){
double[] out = puteOut(in);
updateWeight(tar);
}
}