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。

CNN_python_卷积神经网络matlab代码_CNN

本文中有两个gif图需要将文件使用html的方式打开才可以看到，主要介绍了本人对图卷积网络的形象化的理解，希望能够帮助到大家共同努力，谢谢！

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

为了使采摘机器人在收获番茄时更加精准地识别目标果实，采用改进后的 Cascade rcnt网络对温室内的番茄果实进行目标检测。将 Cascade rann网络中的非极大值抑制算法替换为Sof-NMS（ soft non- maximum suppression）算法，采用适合番茄形状的锚框，增强网络对重叠果实的识别能力，与原 Cascade rann网络相比，目标识别的准确率提高了近2%，在识别番茄果实的同时，该网络对番茄的成熟度进行了简单分类。为进一步验证网络性能，将改进网络与经典的 Faster rann网络和YOO3网络进行对比。实验结果表明，改进网络能够准确地识别岀番茄果实，并对成熟番茄与未成熟番茄做出区分。该方法可为温室内番茄果实的采摘提供技术支持。