遗传算法是以生物进化的概念而设计的一种寻优算法主要借鉴的机制有三，如下：👉1. 种群与编码👉2. 染色体交换与基因突变👉3. 适者生存种群与编码在刚开始时，遗传算法会先初始化一个种群，即一组X,种群的个体(即每个X)都以编码的形式存在，如下染色体交换与基因突变然后遗传算法通过个体之间的染色体交换和基因突变来产生新的种群适者生存最后，根据种群个体的适应度来选择是否能遗留到下一代种群。

BP神经网络是一个经典、有效的算法，即使时至今日，在传统的"小数据"领域仍有卓越的拟合效果。而BP神经网络的更大贡献是，它开启了后来的CNN\RNN等深度学习模型的大门。本文简单讲解BP神经网络是与深度学习CNN的关系。

在使用matlab来训练BP神经网络时，我们不免会疑惑，究竟要怎么选择训练函数呢？

BP神经网络是一种智能仿生模型，我们都知道，生物神经网络由大量生物神经元通过突触连接而成，如下：大脑能够接收、处理和传递外界信息，帮助生物完成感知判断、思考决策等行为。而BP神经网络正是以此为基础而构建出来的数学模型。

本文介绍了RBF神经网络中spread参数的作用。spread控制径向基函数的宽度，默认值为1。当spread过小时会导致模型过拟合，曲线不平滑；适当增大spread可使样本间曲线过渡更平滑。但spread也不宜过大，否则会降低模型对局部细节的拟合能力。该参数需要合理设置以平衡模型的平滑性和局部拟合能力。

RBF神经网络是一种可以用于拟合任意关系的神经网络模型，它起源于RBF插值，但现在一般都使用OLS算法来训练。下面我们学以致用，用一个具体的例子来看看RBF神经网络是如何应用于预测问题的。

最小二乘法是基本的线性求解问题之一，本文介绍最小二乘法的原理，和最小二法求解公式的推导

本文梳理BP神经网络的建模流程，供大家建模时进行借鉴。

RBF神经网络与BP神经网络都是常用的两种用于回归预测的神经网络，本文通过对两种神经网络的对对，简单快速了解两种神经网络的特色与区别

CNN卷积神经网络常用于图片识别，是深度学习中常用的模型。本文简单快速了解卷积神经网络是什么东西，并展示一个简单的示例。C代表卷积层，P代表池化层，F代表全连接层。卷积神经网络主要的、朴素的用途是图片识别。即输入图片，然后识别图片的类别，例如输入一张图片，识别该图片是猫还是狗。