典型相关分析matlab实现代码DCCA：深度规范相关分析 这是Python中的深度规范关联分析（DCCA或Deep CCA）的实现。 它需要安装Theano和Keras库。 DCCA是CCA的非线性版本，它使用神经网络代替线性变换器作为映射函数。 DCCA最初是在以下论文中提出的： Galen Andrew，Raman Arora，Jeff Bilmes，Karen Livescu，“”，ICML，2013年。 它使用带有Theano后端的Keras库，在Tensorflow后端上不起作用。 因为网络的丢失功能是由Theano编写的。 基本的建模网络可以轻松地被更高效，更强大的网络（如CNN）取代。 大多数配置和参数是根据以下文件设置的： Wang Weiran，Raman Arora，Karen Livescu和Jeff Bilmes。 “”，ICML，2015年。 数据集 该模型是在MNIST数据集的嘈杂版本上评估的。 我完全按照本文介绍的方式构建了数据集。 训练/验证/测试段是MNIST的原始段。 数据集很大，无法在GitHub上上传。 因此它被上传到另一台服务器上。 第一次执

JPG、PNG与MNIST数据集之间的转换

NN_测试 该项目包含一些神经网络代码注意：将此存储库克隆到Windows中的E：/ GitCode / 神经网络代码（C ++） 感知器 BP（反向传播） 卷积神经网络 线性回归（梯度下降，最小二乘） 朴素贝叶斯分类器（性别分类） Logistic回归（梯度下降，批次/最小批次） KNN（K最近邻居，分类） PCA（主成分分析） 单个隐藏层（两个类别） K均值 决策树（CART） C ++的数学公式的实现 线性代数 转置 行列式 伴随矩阵 逆矩阵 范数（向量，矩阵） 特征值/特征向量（实对称矩阵） SVD（奇异值分解） 伪逆 痕迹 可能性 均值，方差，标准差 协方差矩阵 激活功能 逻辑sigmod功能 softplus功能 ReLU（线性整流单元） 泄漏的ReLU（泄漏的线性整流单元） ELU（指数线性单位） softmax函数 层数 辍学 LRN（本地响

BJ参数推荐系统 这是一个基于 BP-NN 学习算法构建的 matlab 应用程序。 它可以为粘合剂喷射（一种3D打印机）机器推荐最佳构建参数。 ##介绍你知道3D打印机吗？你用过吗？ 您可能知道在打印之前应该设置很多参数。 它有时很厚，因为参数总是影响最终产品的特性。 此应用程序可帮助用户选择最佳设置参数。 ＃＃这个怎么运作？ 我在这台3D打印机上做了很多实验，总结出4个关键参数。

video2frames 用于将视频转换为一系列帧以进行NN训练的python脚本 通过键入python video2image.py path -o output_dir --skip n --mirror运行python video2image.py path -o output_dir --skip n --mirror 该路径将导致视频或仅包含视频的目录。 可选的输出文件夹指定保存图像的目录。 可以用-o或--output来调用。 可选的skip参数指定应保存的第n个帧。 当使用可选的--mirror参数运行时，保存的第二张图像将翻转。

RBF神经网络，包括分类和回归

使用NVIDIA CUDA的“阴阳” K均值和K-nn K均值的实现基于 。 尽管它引入了一些开销和许多对CUDA不利的条件子句，但与Lloyd算法相比，它仍然显示出1.6到2倍的加速。 K近邻采用相同的三角形不等式思想，并且需要预先计算的质心和聚类分配，类似于展平的球树。 sklearn KMeans KMeansRex KMeansRex OpenMP 塞班 克库达 kmcuda 2 GPU 速度 1倍 4.5倍 8.2倍 15.5倍 17.8倍 29.8倍 记忆 1倍 2倍 2倍 0.6倍 0.6倍 0.6倍 从技术上讲，该项目是一个共享库，可导出kmcuda.h定义的两个函数： kmeans_cuda和knn_cuda 。 它具有内置的Python3和R本机扩展支持，因此您可以from libKMCUDA import kmeans_cuda或dyn.load("libKMCUDA.so") 。 目录 K均值 该项目与其他项目之间的主要区别在于，kmcuda已针对内存消耗低和大量群集进行了优化。 例如，kmcuda可以将480个维度中的4M个样本分类为40000个

针对传统的BP神经网络模型无法有效表达时间序列数据中存在的历史特征的缺陷，提出利用灰色预测原理具备发现事物历史变化规律性的优势来解决BP神经网络预测模型的这一弱点，最后得到的灰色BP-NN优化组合模型具备了更高的预测精度。实验采用中国气象站2018年1月至2月北京市10个监测点的PM2.5质量浓度及其对应的每小时的空气污染物浓度、气象因子建立神经网络预测模型，并采用灰色预测算法对神经网络模型进行改进，改进后的结果为：在系统误差上有了较大的降低，同时预测结果与实测结果之间的拟合程度更好。

这个工具有三种画图风格：FCNN、LeNet、AlexNet。

传统的“试错”型材料研究方法存在周期长、成本高和偶然性大等不足,已经不能满足现代材料研发的需求,提高研发针对性、缩短材料研发周期、降低材料研发成本成为全世界的研究热点。随着数据量的不断累积以及计算机技术的不断发展,数据密集型科学逐渐成为科学研究的第四范式。