用matlab进行信号卷积仿真 我们试举一例来看conv的功能，已知序列f1(k)和f2(k)如下所示： f1(k)=1,(0≤k≤2) f2(k)=k,(0≤k≤3) 则调用conv( )函数求上述两序列的卷积和的MATLAB命令为： f1=ones(1,3); f2=0:3; f=conv(f1,f2) 运行结果为：f＝0 1 3 6 5 3

Keras中的字符级CNN 该存储库包含用于字符级卷积神经网络的Keras实现，用于AG新闻主题分类数据集上的文本分类。 已实现以下模型： 张翔，赵俊波，严乐村。 。 NIPS 2015 Yoon Kim，Yacine Jernite，David Sontag，Alexander M.Rush。 。 AAAI 2016 白少杰，齐科·科特尔（J. Zico Kolter），弗拉德·科特（Vladlen Koltun）。 。 ArXiv预印本（2018） Kim的CharCNN最初是经过端到端训练的语言建模管道的一部分，但已被改编为文本分类。 用法 安装依赖项（Tensorflow 1.3和Keras 2.1.3）： $ pip install -r requirements.txt 在config.json文件中指定训练和测试数据源以及模型超参数。 运行main.py文件，

Fashion-MNIST是一个用来进行机器学习和深度学习的测试数据集，它由类似于MNIST的手写数字图像数据集演变而来，但是每一张图像都代表了10类服装类型之一，包括T恤、裤子、套衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包和靴子。 基于卷积神经网络的Fashion-MNIST图像识别，通常指的是使用卷积神经网络来对Fashion-MNIST数据集中的图像进行分类。在这种情况下，我们需要训练一个卷积神经网络模型，让它能够根据图像的特征来预测图像所属的类别。 为了实现这个目标，我们需要以下步骤： 1. 准备Fashion-MNIST数据集，包括训练集、验证集和测试集。 2. 构建一个卷积神经网络模型，包括两个卷积层和全连接层。 3. 使用训练集对模型进行训练，通过反向传播算法来更新模型参数。 4. 使用验证集对训练好的模型进行评估，并通过可视化工具来观察模型的训练曲线和验证曲线。

使用说明，参考：https://www.jianshu.com/p/8db0dd959897

matlab张量积代码矩阵乘积状态Langevin （1）在MATLAB中针对有限自旋链实现矩阵乘积状态Langevin方程，以及（2）对于无限自旋链实现时间相关的变分原理（）。 矩阵乘积状态Langevin方程描述了与环境热接触的系统的轨迹。 它扩展了随时间变化的变分原理，用于演化具有附加噪声和摩擦项的矩阵乘积状态。 安装 下载此存储库，并将其文件夹和所有子文件夹添加到MATLAB路径。 从下载NCON软件包并将其添加到MATLAB路径。 代码示例 在此示例中，我们模拟了有限旋转链的随机哈密顿量下的噪声演化。 首先，我们需要指定系统。 我们将定义spinDimList来编码4个局部尺寸为spinDimList和4的自旋。 spinDimList = [2 4 3 4]; 我们想将键的维数限制为3： Dmax = 3; 现在，让我们使用randomizedSystem_localH()函数生成初始状态，汉密尔顿和环境。 我们还将温度设置为较低，并在无摩擦状态下工作（这是更快的！）： [mpsInit,Hcell,EnvParams] = randomizedSystem_localH(

针对煤矿生产区域的监控视频较为模糊且人员行为类型复杂,常规行为识别方法的准确率较低的问题,提出了一种基于动态注意力与多层感知图卷积网络（DA-GCN）的煤矿人员行为识别方法。采用Openpose算法提取输入视频的人体关键点,得到3个维度、18个坐标的人体关键点信息,降低模糊背景信息的干扰;通过动态多层感知图卷积网络（D-GCN）提取人体关键点的空间特征,通过时间卷积网络（TCN）提取人体关键点的时间特征,提高网络对不同动作的泛化能力;使用动态注意力机制,增强网络对于动作关键帧、关键骨架的注意力程度,进一步缓解视频质量不佳带来的影响;使用Softmax分类器进行动作分类。通过场景分析,将井下行为分为站立、行走、坐、跨越和操作设备5种类型,构建适用于煤矿场景的Cumt-Action数据集。实验结果表明,DA-GCN在Cumt-Action数据集的最高准确率达到99.3%,最高召回率达到98.6%;与其他算法相比,DA-GCN在Cumt-Action数据集和公共数据集NTU-RGBD上均具有较高的识别准确率,证明了DA-GCN优秀的行为识别能力。

一种基于卷积神经网络的信号调制方式识别方法.pdf

各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV),包括推理时间，GFlops,FPS

简介：该垃圾分类项目主要在于对各种垃圾进行所属归类，本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类，最终移植在树莓派上进行实时视频流的垃圾识别。 前期：主要考虑PC端性能，并尽可能优化模型大小，训练可采用GPU，但调用模型测试的时候用CPU运行，测试帧率和准确性（测试10张左右图像的运行时间取平均值或实时视频流的帧率）。 后期：部署在树莓派端，在本地进行USB摄像头实时视频流的垃圾分类（归类）。 框架语言： keras+python。 PC端： Keras: 2.2.0 Opencv: 3.4 Python: 3.6 Numpy:1.16

YOLO检测，训练自己的模型必备的预训练权重文件~官网太难下载了。。。当时慢得我想哭，当然，程序跑起来的喜悦也是无与伦比的。