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

园区企业网络 广域覆盖泛在感知架构图-PPT美化模板.pptx

提出了一种水下机器人手爪力感知系统的组成结构，该力感知系统由一个六维力/力矩传感器和三指夹持器指端的三个指力传感器组成，本文介绍了上述两种传感器的设计和标定，并对利用该手爪系统抓取物体进行了实际测试和分析，实验结果表明；所设计的力感知系统能够实时地感知腕力和夹持力信息，可以满足机械手力控制的需要。

感知图像散列 根据外观，编写了一些实用程序函数来处理图像的哈希。 哈希以结果可比的方式创建，因此可以将图像并排放置，并可以告诉它们不同的数量。

Dror Baron等在其名为“Distributed Compressed Sensing”指出具有相关信息的多个观测源采用联合重构算法可以获取更好的重构效果，当观测源足够多时，甚至只需要K+1观测次数就可以完全重构出原信号。文献中提出了两种算法OSGA（One-Step Greedy Algorithm）和SOMP（Simultaneous Orthogonal Matching Pursuit）。

压缩感知的阈值收缩算法 IST，做了改进，中文注释很详细

语音信号通过全通滤波器的实验，吉诚，刘惠华，全通滤波器的幅频响应恒定不变，通过设计不同的相位参数可以得到不同的因果全通滤波器。本实验将语音信号通过所设计的不同参数的

模式识别课程设计报告、课程实验报告 个人从网上找的资料然后运行、截图并总结。希望对大家有用。 声明：手写数字识别系统没有程序，因为我们的老师没要求我们写程序。但网上这种代码很多，很容易找到。