c語言神經網路
Ⅰ 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。
Ⅱ 計算機研究生方向，具體解釋一下計算機應用技術中的方向是什麼
計算機應用方向是一個很寬泛的概念，裡面有非常非常多的小方向，不同學校、導師的方向也不一樣。一般計算機應用方向有下面幾個小方向：機器學習、最優化、模式識別、計算機圖形學、機器視覺與圖像處理、自然語言處理、人機交互、虛擬現實……這些方向大多都需要不錯的編程能力和很好的數學功底（高數、線數、概率論、離散數學）
下面是我個人了解的方向的大概介紹：
1. 機器學習這個方向現在很火，如果學的很精通，畢業後能找到很不錯的工作。這個方向需要很多數學知識（微積分、線性代數、概率論），也需要一定編程能力，至少能把自己的想法實現。這個方向下面有很多子方向，比如自然語言處理、模式識別、數據挖掘等
2. 最優化這個方向是用優化演算法處理現有的問題，需要數值分析和一些邏輯的知識，也需要一定編程能力。
3. 計算機圖形學包括一些小方向。有些研究CAD，這個不需要編程；有些研究自然景物的模擬（比如水流、頭發、火焰），需要微積分、線性代數的知識，有時會用到流體力學的公式，這個方向需要熟悉一些圖形介面（openGL、D3D）。
4. 圖像處理這個方向需要一些信號處理方面的知識。
5. 剩下的還有比如人機交互、虛擬現實、機器視覺等，都是一些交叉的方向，設計一些方法解決現有的問題
如果具體還有什麼問題，可以追問。
Ⅲ 人工智慧需要什麼基礎
人工智慧（AI）基礎：
1、核心三要素——算力、演算法、數據（三大基石）：
演算法、算力、數據作為人工智慧（AI）核心三要素，相互影響，相互支撐，在不同行業中形成了不一樣的產業形態。隨著演算法的創新、算力的增強、數據資源的累積，傳統基礎設施將藉此東風實現智能化升級，並有望推動經濟發展全要素的智能化革新。讓人類社會從信息化進入智能化。
1）算力：
在AI技術當中，算力是演算法和數據的基礎設施，支撐著演算法和數據，進而影響著AI的發展，算力的大小代表著對數據處理能力的強弱。
（2）演算法：
演算法是AI的背後「推手」。
AI演算法是數據驅動型演算法，是AI的推動力量。
（3）數據：
在AI技術當中，數據相當於AI演算法的「飼料」。
機器學習中的監督學習和半監督學習都要用標注好的數據進行訓練，由此催生了大量數據標注公司，它們將處於未經處理的初級數據，轉換為機器可識別信息。只有經過大量的訓練，覆蓋盡可能多的各種場景才能得到一個良好的模型。
2、技術基礎：
（1）文藝復興後的人工神經網路。
人工神經網路是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。
（2）靠巨量數據運作的機器學習。
科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。
（3）人工智慧的重要應用：自然語言處理。
自然語言處理的研究，是要讓機器「理解」人類的語言，是人工智慧領域里的其中一項重要分支。
自然語言處理可先簡單理解分為進、出計算機等兩種：
其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式；
其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。
Ⅳ 數學建模需要掌握哪些編程語言和技術
數學建模應當掌握的十類演算法及所需編程語言：
1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的演算法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）。
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）。
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、 Lingo軟體實現）。
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉及到圖論的問題可以用這些方法解決，需要認真准備）。
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計中比較常用的方法，很多場合可以用到競賽中）。
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實現比較困難，需慎重使用）。
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好使用一些高級語言作為編程工具）。
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的）。
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用）。
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab進行處理）。