一维卷积神经网络，cnn，回归预测，多输入，单输出，基于matlab，替换数据和特征个数即可，拿来直接使用。分为清空环境变量、导入数据、划分训练集和测试集、数据平铺、构造网络结构、参数设置、训练模型、均方根误差、绘制网络分析图、绘图、相关指标计算等几个模块，各个模块均标有备注，直接替换数据即可使用，用于新手学习深度学习算法非常好

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

一种基于三维卷积神经网络的视网膜OCT图.PDF，专利，一种基于三维卷积神经网络的视网膜OCT图.PDF，专利

实现去雾算法，发现其中的问题，并对算法进行改进。 我首先实现了基于暗原色先验的去雾算法，并从运算速度和去雾效果方面进行了一定的改进。 之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 Python 实现，使用 pyqt 设计了用户界面。

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

天气状况识别对交通运输安全、环境、气象等领域有重要意义。在各种产业向智能化转型的技术背景下，基于人工智能技术研究一种高效的天气自动识别方法，不仅能解决传统天气判别准确率低的问题，还能实现天气判别的实时性，有效地提高应对各种天气状况的处理能力。卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习中的一种重要网络结构，它通过引入卷积层，池化层以及较深的网络层数，实现对图像高层语义特征的感知，提升图像分类效果。本文基于卷积神经网络架构，针对传统天气识别方法较难判断的可见光图像天气状况（多云、雨天、晴天、日出）。

目前解释得比较清晰的一篇文章，对深度学习，卷积神经网络原理有帮助

本文对2019年10月更新的CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》进行了翻译，对大家全面了解CNN架构进展有所帮助。

CNNvsNN_Digit_recognizer 进行该项目的目的是在通用数据集上比较卷积神经网络（CNN）和常规神经网络（NN）的性能差异。

CNN与RNN图像分类 该程序使用卷积神经网络和递归神经网络对来自MNIST手写数字数据集的图像进行分类。 CNN最适合计算机视觉应用，因为可以使用RNN，但并不流行。该项目的目的是证明CNN模型相对于RNN可​​能具有的优势。 设置 需要Python 3.5-3.8才能与所有必需的模块兼容 # Clone this reposititory git clone https://github.com/JohnNooney/CNN_vs_RNN_Image_Classification # Go into repository cd ../cnn_vs_rnn_image_classification # Install required modules pip install -r requirements.txt 用法 使用python app.py启动应用程序后，将出现一个窗口，您可以