适合深度学习入门者，简单易于理解

在图卷积网络(GCN)的帮助下，提出了一个更有效的搜索框架，以在有限的尝试下识别尽可能多的关键级联故障。通过离线训练一个GCN可以很好地捕捉级联故障的复杂机理。借助训练好的GCN模型，可以显著加快对临界级联故障的搜索。同时，通过分层相关传播算法实现了GCN模型的可解释性。结果表明，GCN导引的方法不仅可以加速临界级联故障的搜索，而且可以揭示潜在级联故障的预测原因。

态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。

实现实时目标跟踪的算法，利用压缩感知理论降低数据维数，提高计算机计算速度，采集样本实现精确跟踪效果。

压缩感知中经典的StOMP重构算法，代码含有详细的中文注释，易懂，并且也出了重构图像评价质量标准

压缩感知中贪婪迭代算法，可以进行DOA估计和频率普估计

matlab精度检验代码Matlab多层感知器演示 多层感知器（MLP）是一种基本的深度神经网络模型，通常用于分类。 我开发了MLP的Matlab演示，可以为初学者提供指导。 此代码将主要告诉您如何 通过堆叠的稀疏自动编码器进行预训练 使用反向传播算法进行微调， 预测使用前馈传递。 跑步 在Matlab中运行demo.m 本演示以MNIST手写数字识别为例（demo.m中的设置可以在测试集上获得98％左右的分类精度），并且您可以为其他数据集修改此代码。 笔记 您最好拥有4GB以上的内存。

基于压缩感知的室内定位系统研究，杨朝齐，，随着移动互联网的高速发展，人们对于位置信息的要求越来越高，特别是在室内定位技术领域，仍需要不断提高其精确性和稳定性。本文

文中将认知无线电应用于无线传感器网络中,考虑了传感器节点的能量有限、传输数据量较多、频谱资源受限、次用户如何避免占用主用户信道等情况下,构建一种认知无线传感器系统模型。该系统在对授权用户不造成干扰的前提下提高频谱利用率,解决频谱资源受限的问题,并在此基础上提出了基于贝叶斯准则融合的协作频谱感知方案,同时定量的分析了虚警代价与漏验代价对系统的影响。仿真结果表明,相比传统的或融合、与融合协作频谱感知方案而言,该方案较好的提高了无线传感器网络频谱感知的可靠性和准确性,同时更明确地指出虚警代价相比于漏验代价大时,

关于MATLAB能量检测频谱感知算法的研究代码