学习优化：训练用于无线资源管理的深度神经网络。 Python代码可重现我们在SPAWC 2017的DNN研究中的工作。 Demo.py包含了从数据生成，训练，测试到绘制10个用户IC盒的整个过程，即使该过程是在一个包含25000个样本的小型数据集上完成的，仍可以在不到100次迭代中轻松实现94％的准确度。 在test.py中，我们对表I：高斯IC案例进行了测试阶段，该测试基于预先训练的模型。 要从头开始训练模型，请按照本文中的说明进行操作，并阅读demo.py以供参考。 所有代码均已在Python 3.6.0上成功测试。 设置 安装python 3.6 正在运行的应用程序 安装pip依赖项 pip install -r requirements.txt 运行python文件 python3 demo.py python3 test.py 参考文献：[1]孙浩然，陈香怡，施庆江

Matlab dpcm编码代码压缩感测 有关基于迭代/优化/深度学习/基于深度神经网络的图像/视频（量化）压缩/压缩感测（编码）的最新论文和代码。 基于块的DCS 单刻度感应 TGDOF [Matlab] R. Liu，Y。ZHang，S。Cheng，X。Fan，Zo Luo，“鲁棒压缩感测MRI的理论上有保证的优化框架，” AAAI人工智能大会会议录，2019年。 DNN-CS-STM32-MCU [Tensorflow] 实验室信号处理-深度神经网络在STM32 MCU板上用于基于CS的信号重建 提示CSNet [Matconvnet] W. Shi等人，《使用卷积神经网络的图像压缩传感》，IEEE Trans。 图像处理，2019年。 感知CS [[代码]]（）[Caffe] 杜J，谢X，王C，石G.``感知压缩感知''，中国模式识别与计算机视觉会议，第268-279页，2018年。 ISTA-Net [Tensorflow] Z. Jian和G. Bernard，“ ISTA-Net：基于可解释性优化的启发式深度网络，用于图像压缩传感”，IEEE计算机视觉和模式识别国际会议，2

基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

基于深度神经网络和蒙特卡罗树搜索的神经网络搜索

DeepVariant DeepVariant是一个分析管道，它使用深度神经网络从下一代DNA测序数据中调用遗传变异。 为什么选择DeepVariant DeepVariant是高度准确的。 在2016年DeepVariant DeepVariant DeepVariant是一个分析管道，该管道使用深度神经网络从下一代DNA测序数据中调用遗传变异。 DeepVariant依赖于Nucleus，这是一个Python和C ++代码库，用于以通用基因组文件格式（例如SAM和VCF）读写数据，旨在与TensorFlow机器学习框架轻松集成。 如何运行我们建议使用我们的Docker解决方案。 该命令将如下所示：BIN_VERSION =“ 0.10.0” sudo docker run

安装 克隆存储库 git clone git@github.com:awni/ecg.git 如果您没有virtualenv ，请使用 pip install virtualenv 制作并激活新的Python 2.7环境 virtualenv -p python2.7 ecg_env source ecg_env/bin/activate 安装要求（这可能需要几分钟）。 对于仅CPU支持运行 ./setup.sh 要安装GPU支持，请运行 env TF=gpu ./setup.sh 训练 在回购根目录（ ecg ）中，创建一个名为saved的新目录。 mkdir saved 要训​​练模型，请使用以下命令，将path_to_config.json替换为实际配置： python ecg/train.py path_to_config.json 请注意，在每个时期之后，将模型保存在ecg

基于深度神经网络的人脸识别算法研究基于深度神经网络的人脸识别算法研究

matlab曲线的颜色代码杂质查找器 用两种不同的方法（颜色直方图+ SVM或XGBoost）检测烟酒中杂质的软件实现。 作者：朱邦华， 陈丽人 宋金慧 介绍 ImpurityFinder是一种基于图像处理算法的解决方案，用于检测烟草中的杂质。 这是清华大学“统计信号处理”课程的项目之一。 请注意，为了运行我们的算法，您只需要下载测试文件夹。 火车文件夹可能由于图像分割而变大。 轻松入门： 安装所有依赖项后，可以直接进入测试文件夹并运行process_svm.sh或process_xgboost.sh。 管道和详细信息 在这里，我们提供了两个ImpurityFinder软件包。 在training文件夹中，我们提供了用于培训的所有源代码。 在测试文件夹中，提供了我们训练有素的分类器，以将烟草图像作为输入，并提供经过处理的图像作为输出。 依存关系 MATLAB R2015b（也可以在其他版本上运行，但仅对MATLAB R2015b进行了测试。） Python 2.7 适用于Python的OpenCV库（主页：安装指南：） 以下python包是必需的： 麻木 科学的 斯克莱恩 skimag

深度学习中的字母识别： Keras的深度神经网络模型

这是在深度学习工具箱中使用长短期记忆（LSTM）网络在接收器处实现符号分类以在OFDM系统中进行信号检测的示例。 基于 LSTM 的神经网络针对单个子载波进行训练，其中符号错误率 (SER) 被计算并与最小二乘 (LS) 和最小均方误差 (MMSE) 估计进行比较。 在此初步调查中，假设无线信道在离线训练和在线部署阶段是固定的。 为了测试神经网络的鲁棒性，对每个传输的 OFDM 数据包应用随机相移。 考虑了导频符号数量和循环前缀（CP）长度的影响。 要重新创建仿真结果，请加载相应的Mat文件并运行脚本Testing.m。 这段代码的想法受到论文的启发： H. Ye、GY Li 和 B. Juang，“OFDM 系统中信道估计和信号检测深度学习的力量”，IEEE 无线通信快报，第一卷。 7号1，第 114-117 页，2018 年 2 月。