基于MLP(多层感知机)的时间序列预测python源码+超详细注释 内容包含： 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_MLP模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_MLP模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_MLP模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_MLP模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_MLP模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)

基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）

空中三角测量matlab代码概述 我们实现了 ICPR 2016 论文的算法：Building Facade Recognition from Aerial Images using Delaunay Triangulation Induced Feature Perceptual Grouping, Xuebin Qin, Martin Jagersand, Xiucheng Yang, Jun Wang, ICPR 2016。 @inproceedings{DBLP:conf/icpr/QinJYW16, author = {Xuebin Qin and Martin J{"{a}}gersand and Xiucheng Yang and Jun Wang}, title = {使用 Delaunay Triangulation 诱导特征感知分组从航拍图像识别建筑物立面}，书名 = {23rd International Conference on Pattern Recognition，{ICPR} 2016，Canc{'{u}}n，墨西哥，2016 年 12 月 4-8 日}

近年来，运营商通过在ROADM设备上部署光电转换装置实现了光传输网络中业务的细粒度调度，从而提升频谱资源的利用率。但是光电转换装置价格昂贵，导致了网络部署成本的增加。针对光传输网络中业务和光模块的部署问题进行了 ILP 建模，并证明其为 NP-hard 问题。提出了两种基于光电转换装置成本感知的路由和波长分配算法：OEO-RWA算法和SA-RWA算法，并通过仿真证明两种算法既能够保证业务的细粒度调度，又能够减少光电转换装置数量，降低网络部署成本。

基于隐私感知理论的用户隐私保护机制，张坤，闫强，隐私权是一种重要的人格权，但是由于互联网和通信技术的进步，扩展了隐私信息的范围，同时也使隐私侵犯的技术难度降低，进而导致

针对传统频谱感知检测概率较低的不足，提出了一种基于随机矩阵特征值比的机会协作频谱感知算法。该算法在随机检测理论基础上，利用双门限，加入机会协作机制，对传统最大最小特征值（MME）算法进行改进，并保留了传统能量检测算法的低复杂度优势。在已知虚警概率前提下，推导了判决门限，并在接收中依靠奇偶时隙划分，有效实现了机会协作。仿真结果表明，在低信噪比和低虚警概率的情况下，所提频谱感知算法，相对MME算法有更高的检测概率，适合在恶劣传输信道的无线通信中应用。

matlab中存档算法代码SIRT-FISTA-TV重建算法 SIRT-FISTA-TV是一种规则化的迭代重建算法，对嘈杂和模糊的数据非常健壮，并且可以大大减少丢失的楔形伪影。 它包括三个步骤： SIRT更新（也可以使用SART和OS-SART） 电视最小化（使用渐变下降） FISTA技术可加快收敛速度 使用CUDA mex函数可在GPU上加速该算法。 它取决于两个工具箱：ASTRA和Spot。 使用了ASTRA的投影和反投影功能。 Spot工具箱用于提供一个MATLAB框架，该框架将线性运算包装到行为类似于矩阵的MATLAB对象中。 我们提供了两个示例来测试该算法：example1.m和example2.m，它们在正确执行安装后应该很容易运行。 安装 在MATLAB文件浏览器中选择“ ASTRA-工具箱”，“ Spot-工具箱”，“电视最小化”和“数据” ----->右键单击----->添加到路径----->选定文件夹和子文件夹。 请注意，如果不是这样，您可以键入命令“ filebrowser”以打开MATLAB文件浏览器。 安装CUDA工具包（8.0版效果很好）链接： 安装C ++

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

FDD LTE网络APP感知时延优化

1.单层感知机 2.多层感知机 3.常见梯度优化 3.常见损失函数 4.多个例子 5.可以直接开会讲，适合学习和汇报 6.常见的激活函数介绍 7.使用房价预测问题介绍了单层感知机模型 8.BP神经网络 9.前馈神经网络 10.梯度优化实例 11.MLP神经网络