基于CNN神经网络的煤层底板突水预测.pdf

基于CNN和朴素贝叶斯方法的安卓恶意 应用检测算法 安全架构APT 安全运营 安全体系 安全对抗

基于CNN的调制识别，keras框架，tensorflow后端，数据集为github通用数据集。 We survey the latest advances in machine learning with deep neural networks by applying them to the task of radio modulation recognition. Results show that radio modulation recognition is not limited by network depth and further work should focus on improving learned synchronization and equalization. Advances in these areas will likely come from novel architectures designed for these tasks or through novel training methods.

【图像识别】基于cnn卷积神经网络之验证码识别matlab源码.md

对联AI 用PyTorch实现的自动对对联系统，支持多种模型。一般而言，给定一句话生成另一句话是序列生成问题，本项目根据上下联字数不同的特点将其转化为序列标注问题，即用下联去标注上联。 依存关系 python 3.6+ pytorch 1.2+ 烧瓶（可选） 数据集 数据集包含70多万条对联数据（26MB），下载请，或者（提取码：wude）。 用法 将下载到的数据集解压到当前目录（解压后的文件夹名称为couplet ） 运行preprocess.py进行数据预 运行main.py [-m model type]进行训练 运行clidemo.py <-p model path>可在控制台进行AI对对联 运行webdemo.py 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在module/model.py中定义你自己的模型。 使用Docker

matlab修改编辑好的代码

matlab精度检验代码lstm-qrs-检测器 基于CNN-LSTM的QRS检测器，用于ECG信号 该项目为ECG信号实现了基于深度学习的QRS检测器。 具体而言，使用了混合CNN-LSTM模型。 在测试集上，该模型的f1为0.79，准确度为0.95。 要正确理解这一点，请使用以下模型： #first CNN model = Sequential() model.add(Conv2D(filters=32, kernel_size=5,\npadding='same', input_shape=X_train.shape[1:])) model.add(Activation('relu')) model.add(BatchNormalization()) model.add(MaxPooling2D(pool_size=(1, 4))) model.add(Dropout(0.25)) #second CNN model.add(Conv2D(filters=32, kernel_size=5,\npadding='same')) model.add(Activation('relu')

基于cnn的中文文本分类算法（python）.zip

基于CNN的高速铁路侵限异物特征快速提取算法.pdf,高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性，提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题，提出简化的全连接网络结构；针对准确率因简化网络结构而下降的问题，提出将卷积层的卷积核进行预先训练；最后为防止因全连接而导致的对称性特征提取，提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络，在保证准确率的基础上加快了计算速度，同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s，准确率为99.5%。

知识图谱，事理图谱，事件推理