matlab反投影代码dnn_xray 该代码包是用于X射线CT的神经网络的一种新颖应用。 在X射线CT中，目标是从传输数据中找到图像空间中的线性衰减系数。 解决此问题的常用方法是： 单发算法：考虑到源-探测器的几何结构是“定义明确的”，并且忽略了数据的随机性和噪声成分，我们可以通过诸如滤波反投影（FBP）之类的单发算法来找到图像系数。 迭代算法：我们假设一个模型（泊松或加权高斯模型）并迭代解决问题。 在这两种方法中，定义和使用图像和数据空间之间的连接的系统矩阵H是已知的。 在我们的方法中，我们正在寻找答案的问题是： 假设对于给定的固定几何体，我们有大量的图像数据对，那么我们是否可以学习数据与图像空间之间的高度非线性逆关系？ 如果我们了解到这一点，那么在速度/图像质量方面，我们是否能比最先进的方法做得更好？ 因此，我们首先使用MATLAB的radon变换生成了模拟数据，并假设控制比尔定律的真像的前向投影估计遵循Poisson分布，并以此方式生成了数据。 在生成数据集并将其分割后，在不提供任何有关系统的信息的情况下，我们训练了神经网络，其中图像作为输出，数据作为输入。 对于这种模拟情况，

运行 testDNN 试试！ 每个功能都包含说明。 请检查一下！ 它提供了堆叠受限玻尔兹曼机 (RBM) 的深度信念网络 (DBN) 的深度学习工具。 它包括 Bernoulli-Bernoulli RBM、Gaussian-Bernoulli RBM、用于无监督预训练的对比发散学习、稀疏约束、用于监督训练的反向投影和 dropout 技术。 MNIST 数据集的示例代码包含在 mnist 文件夹中。 请参阅 mnist 文件夹中的 readme.txt。 Hinton 等人，通过防止特征检测器的共同适应来改进神经网络，2012 年。 Lee 等人，视觉区域 V2 的稀疏深度信念网络模型，NIPS 2008。 http://read.pudn.com/downloads103/sourcecode/math/421402/drtoolbox/techniques/train_rbm.m__

终身学习是机器学习中的热门研究话题之一。如何实现持续学习？来自东京RIKEN研究中心的Emtiyaz Khan给了关于从深度神经网络到高斯过程的教程《DNN2GP: From Deep Networks to Gaussian Processes》，共有45页ppt，以及撰写了最新的论文，通过提出一种新的函数正则化方法来解决这个问题，该方法利用了一些过去的难忘样例，这些样例对于避免遗忘至关重要。

众所周知中文普通话被众多的地区口音强烈地影响着,然而带不同口音的普通话语音数据却十分缺乏。因此,普通话语音识别的一个重要目标是恰当地模拟口音带来的声学变化。文章给出了隐式和显式地使用口音信息的一系列基于深度神经网络的声学模型技术的研究。与此同时,包括混合条件训练,多口音决策树状态绑定,深度神经网络级联和多级自适应网络级联隐马尔可夫模型建模等的多口音建模方法在本文中被组合和比较。一个能显式地利用口音信息的改进多级自适应网络级联隐马尔可夫模型系统被提出,并应用于一个由四个地区口音组成的、数据缺乏的带口音普通话语音识别任务中。在经过序列区分性训练和自适应后,通过绝对上0.8%到1.5%(相对上6%到9%)的字错误率下降,该系统显著地优于基线的口音独立深度神经网络级联系统。

DNN 适用于Python的深度神经网络 这只是PyBrain库的包装，以支持对深层网络进行分层预训练。 我做了一次快速的一次性使用。 有更好的实现方式。 我建议： 但是，如果您想要一个非常简单的单类解决方案，请尝试一下： 设置 确保已安装 。 克隆仓库。 然后from DNN.dnn import AutoEncoder网络类from DNN.dnn import AutoEncoder

神经网络：可定制的深度神经网络的简单实现

在多源威胁情报收集过程中，由于存在数据价值密度低、情报重复度高、失效时间快等问题，情报中心难以对海量情报数据做出科学决策。针对上述问题，提出一种基于机器学习的多源威胁情报质量评价方法。首先基于标准情报格式，设计了一套多源情报数据标准化流程；其次，针对情报数据的特点，分别从情报来源、情报内容、活跃周期、黑名单库匹配程度4个维度提取特征作为评估情报质量的依据；然后针对提取的特征编码，设计了一套基于深度神经网络算法和 Softmax 分类器的情报质量评价模型，并利用反向误差传播算法最小化重构误差；最后根据2 000条开源已标注样本数据，利用K折交叉验证法对模型进行验证，得到了平均91.37%的宏查准率和84.89%的宏查全率，为多源威胁情报质量评估提供借鉴和参考。

5G 网络中超密集基站的部署规划、多维资源管理、活跃/休眠切换等方面都依赖于对区域内用户数量的准确预测。针对这一需求，提出了一种基于移动网络用户位置信息的区域人群流量预测的深度时空网络模型。通过建模不同尺度的时空依赖关系，融合各种外部特征信息，并以短时局部流量信息降低对实时全局信息传输的要求，实现了城市范围的区域人群流量预测，对提高5G网络性能具有重要意义。通过基于呼叫详单数据的区域人群流量预测实验表明，与现有流量预测模型相比，所提模型具有更高的预测精度。

深度神经网络测试覆盖率与对抗样本间的相关性研究.docx

MATLAB 深度学习简介,matlab深度神经网络,matlab源码