神經網路用哪個語言實現

㈠ 神經網路加智能演算法，寫程序用什麼語言好delphi合適嗎簡單易學的相比較就更好了，謝謝高手

神經網路演算法本身就是智能演算法啊，如果說模擬，那必然是用MATLAB好啊，其中有一個SIMULINK模塊，用里邊的神經網路模塊可以直接進行模擬，不用編程序的，它是模塊化得。當然如果老師要求必須編程，那就推薦一本書<<先進PID演算法及MATLAB模擬》，里邊有神經元網路的已經編好的程序，但這只是只能PID演算法。不算是只能演算法，但是這是一個偷懶的做法。如果真的想系統的學習先進演算法，神經元網路，建議樓主還是要把神經網路的理論知識學透才行。

㈡ cnn卷積神經網路用什麼語言來寫pascial

200+
這個是hinton matlab代碼的C++改寫版. convnetjs - Star,SAE，首選的肯定是LIBSVM這個庫;RBM#47. DeepLearn Toolbox - Star，包括了CNN;C++SVM方面,Java。
2。
下面主要一些DeepLearning的GitHub項目吧;SdA#47:2200+
實現了卷積神經網路，還實現了Rasmussen的共軛梯度Conjugate Gradient演算法,DBN,C/CRBM/CDBN#47：Python。
3,CAE等主流模型，實現的模型有DBN#47，可以用來做分類，語言是Python;LR等，從演算法與實現上都比較全:800+
實現了深度學習網路. rbm-mnist - Star，應該是應用最廣的機器學習庫了，強化學習等. Deep Learning(yusugomo) - Star,Scala:1000+
Matlab實現中最熱的庫存，提供了5種語言的實現。
5;dA#47:500+
這是同名書的配套代碼。
4. Neural-Networks-And-Deep-Learning - Star！
1，回歸

㈢ BP神經網路代碼用什麼實現

BP演算法，只是一種演算法，用任何語言都能實現。
Matlab有神經網路工具箱，提供已經封裝好的：網路建立函數newff、訓練函數train，省去了自己編寫代碼的麻煩，你可以考慮。

BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

㈣ 神經網路如何用單片機實現

用單片機開發神經網路應用主要考慮三個方向：
1）網路本身，神網本質上是一組矩陣，矩陣在單片機中的表現可以通過數組來實現；
2）輸入輸出，神網的應用就是把輸入陣列與網路本身的矩陣點乘叉乘後算術求和，產生輸出矩陣，把輸入輸出的演算法做到單片機里也不是難事；
3）訓練，神網的權值矩陣都是訓練出來的，採用諸如前向或反向的演算法，可以做離線也可以做在線，如果做離線就沒有必要把演算法實現在單片機內，PC上就可以做，然後導入矩陣即可；如果做在線則是相對較難的技術，需要在單片機上實現，對於單片機本身的資源要求也較高。

簡單說，1）是基礎，也最容易；1）+2）就已經是神經網路的應用了，也容易實現；1）+2）+Matlab神經網路離線訓練是易於實現，且富有彈性的應用方式；1）+2）+在線訓練基本上就是具備自己學習能力的機器人，這是學術界一直探索的方向。

希望能給你一些啟發，研究神網對我來說已經是五六年前的過去了，還是很懷念那時候的激情，個人認為這將是二十一世紀後期最有影響力的技術之一。

㈤ 請問高手，神經網路模型與學習演算法用什麼語言編程比較好JAVA 、C語言還是C++等。謝謝！

個人建議，用Java，畢竟它對網路的針對性較強，而學習演算法可以從C開始再到java因為從小到大比較好…

㈥ AlghaGo是什麼編程語言開發的是神經網路嗎

神經網路是一套識別預測演算法，和程序語言又沒什麼關系，什麼語言都可以實現啊

㈦ 用c語言編寫RBF神經網路程序

RBF網路能夠逼近任意的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，並有很快的學習收斂速度，已成功應用於非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。

簡單說明一下為什麼RBF網路學習收斂得比較快。當網路的一個或多個可調參數（權值或閾值）對任何一個輸出都有影響時，這樣的網路稱為全局逼近網路。由於對於每次輸入，網路上的每一個權值都要調整，從而導致全局逼近網路的學習速度很慢。BP網路就是一個典型的例子。

如果對於輸入空間的某個局部區域只有少數幾個連接權值影響輸出，則該網路稱為局部逼近網路。常見的局部逼近網路有RBF網路、小腦模型（CMAC）網路、B樣條網路等。

附件是RBF神經網路的C++源碼。