针对目前发票自动分类方法对发票类型分类准确率不高的问题，提出了一种改进的AlexNet网络对发票类型进行快速高效的自动识别方法，在AlexNet的基础上对其参数进行改进，在大型数据集ImageNet上对网络进行训练，将训练好的AlexNet网络前五层作为特征提取器，对AlexNet提取的特征进行分类识别，最后在实验中采用不同的交叉验证方法，并与改进前的AlexNet网络分类结果进行比较。结果表明，提出方法的准确度达到98％的分类精度，高于传统AlexNet分类器的85%。目前系统已开始试用，并且性能稳定，满足了发票系统的业务需要。

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

卷积神经网络，研究综述，pdf，CNN,

基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上

基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上

癫痫脑电分类的课题在生物医学信号处理和机器学习领域很火。这个资源使用了美国儿童医院CHB-MIT数据集，所以首先你得先下载了这个数据集。太大了，资源放不下。 这个资源有癫痫分类的完整过程，包括从CHB-MIT数据集中取出数据，使用var做数据异常检验，利用低通滤波器和归一化函数对数据预处理，提取数据特征，构建1D-CNN卷积神经网络模型，利用数据训练模型，展示模型训练效果。 资源适合做这方面研究的同学，算是入门人工智能入门级的。

基于Tensorflow（卷积神经网络）识别花卉图片 数据文件在ModelJS文件夹里，已经加了两个批处理文件，需要先运行代码再依次打开

1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

天文导航是以已知准确空间位置、不可毁灭的自然天体为基准，被动探测天体位置，经解算确定测量点所在平台的经度、纬度、航向和姿态等信息。其中以通过对恒星成像进行光电转换获取星点信息进行姿态确定的星敏感器应用最为广泛，他主要包括两个部分：星点提取和星点识别，本文主要关注前者。除了成像器件本身的噪声缺陷，由于空间辐射会导致星敏感器拍摄星图背景灰度均值增大, 背景起伏明显, 另一方面星敏感器探测的是微弱的恒星星光,对杂散光非常敏感,,主要的杂散光源为日光、月光和地气光等杂散辐射源,主要呈现为斜坡噪声。 传统的几何方法主要需要针对某一种情况下的某种应用，当成像器件、光学环境和空间环境等发生变化时，相应的方法也会发生改变。使用全卷积神经网络可在不改变网络结构的情况下，通过更改训练样本，灵活实现星点提取。具体到本文，主要解决三个方面的问题：1不同背景均值下的提取，2散点噪声下的提取，3斜坡噪声下的提取。