在推荐系统中，在矩阵分解中利用文本信息来减轻数据稀疏性的问题已经做出了许多努力。 最近，一些工作已经探索了神经网络，以对文本项内容进行深入的了解，并通过生成更准确的项潜在模型获得了令人印象深刻的效果。 然而，在矩阵分解中如何有效利用用户和项目的描述文档仍然存在一个未解决的问题。 在本文中，我们提出了使用深度神经网络（DRMF）进行双正则化矩阵分解的方法。 DRMF采用卷积神经网络和门控递归神经网络堆叠的多层神经网络模型，以生成用户和项目内容的独立分布式表示。 然后，表示法用于规范矩阵分解中用户和项的潜在模型的生成。 我们提出了学习DRMF中所有参数的相应算法。 实验结果证明，双向正则化策略显着提高了矩阵分解方法的评分预测准确性和前n个推荐的召回率。 而且，作为DRMF的组成部分，新的神经网络模型比单一卷积神经网络模型更好地工作。

DNN图像分类 深度神经网络的图像分类

在过去的十年中，神经网络几乎遍及所有科学领域，并成为各种现实世界应用的重要组成部分。由于日益普及，对神经网络预测的置信度变得越来越重要。然而，基本的神经网络不能提供确定性的估计，或者存在自信过度或不足的问题，即校准不当。

中文语音识别，提供预训练模型，高识别率 Chinese Speech Recognition; Mandarin Automatic Speech Recognition;

基于深度神经网络的空中目标作战意图识别

深度神经网络用于阿尔茨海默病检测 该研究项目是关于在患者中检测阿尔茨海默氏病的。 及早发现阿尔茨海默氏病将有助于早期治疗，这可以防止症状的夸大。 我们的目标是在机器学习的一部分深度学习的帮助下做到这一点。 在这个项目中，我们使用三种类型的体系结构进行深度学习。 LeNet-5 转移学习 视频分类 对于输入，我们有用于Alzheimer，Normal和MCI检测的nii文件。 阿尔茨海默病，MCI和正常人都有不同的文件夹。 每个文件夹都包含一些.nii文件。 每个.nii文件中都有4维数据。 适当的预处理方法被写入预处理文件夹中，以将该4维数据转换为2维和3维数据。 模型的代码分别写在每种体系结构的单独文件夹中。 AWS说明 我们正在使用基于Amazon AMI的深度学习机。 要运行实例，请按照以下步骤操作： 1. go to ec2 instances dashboard 2.

深度神经网络下的SAR舰船目标检测与区分模型

请引用 Nuha、Hilal H.、Adil Balghonaim、Bo Liu、Mohamed Mohandes、Mohamed Deriche 和 Faramarz Fekri。 “用于地震数据压缩的带有极限学习机的深度神经网络。” 阿拉伯科学与工程杂志 45，没有。 3 (2020)：1367-1377。 Kasun、Liyanaarachchi Lekamalage Chamara、Hongming Zhou、Guang-Bin Huang 和 Chi Man Vong。 “使用极限学习机进行大数据的表征学习。” IEEE 智能系统 28，没有。 6 (2013): 31-34。

基于开关式深度神经网络的拟人化自动驾驶决策算法.pdf

3深度神经网络压缩与加速综述_纪荣嵘.caj