基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)回归预测，多变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

用于视频中3D人姿估计的图注意力时空卷积网络（GAST-Net） 消息 [2021/01/28]我们更新了GAST-Net，使其能够生成包括关节和脚关节在内的19个关节的人体姿势。 [2020/11/17]我们提供了有关如何从自定义视频生成3D姿势/动画的教程。 [2020/10/15]我们使用单个RGB相机实现了基于在线3D骨架的动作识别。 [2020/08/14]我们实现了实时3D姿态估计。 介绍 时空信息对于解决3D姿态估计中的遮挡和深度模糊性至关重要。 先前的方法集中于嵌入固定长度的时空信息的时间上下文或局部到全局体系结构。 迄今为止，还没有有效的建议来同时灵活地捕获变化的时空序列并有效地实现实时3D姿态估计。 在这项工作中，我们通过注意机制对局部和全局空间信息进行建模，从而改善了人体骨骼运动学约束的学习：姿势，局部运动学连接和对称性。 为了适应单帧和多帧估计，采用了扩张

请输入笛卡尔积的个数:4 请输入第1个笛卡尔积的元素，中间用;分隔开 1;2;3 请输入第2个笛卡尔积的元素，中间用;分隔开 a;b 请输入第3个笛卡尔积的元素，中间用;分隔开 A;B;C;D 请输入第4个笛卡尔积的元素，中间用;分隔开 !;@ 笛卡尔积为: 1;a 1;b 2;a 2;b 3;a 3;b 1;a;A 1;a;B 1;a;C 1;a;D 1;b;A 1;b;B 1;b;C 1;b;D 2;a;A 2;a;B 2;a;C 2;a;D 2;b;A 2;b;B 2;b;C 2;b;D 3;a;A 3;a;B 3;a;C 3;a;D 3;b;A 3;b;B 3;b;C 3;b;D 1;a;A;！ 1;a;A;@ 1;a;B;！ 1;a;B;@ 1;a;C;！ 1;a;C;@ 1;a;D;！ 1;a;D;@ 1;b;A;！ 1;b;A;@ 1;b;B;！ 1;b;B;@ 1;b;C;！ 1;b;C;@ 1;b;D;！ 1;b;D;@ 2;a;A;！ 2;a;A;@ 2;a;B;！ 2;a;B;@ 2;a;C;！ 2;a;C;@ 2;a;D;！ 2;a;D;@ 2;b;A;！ 2;b;A;@ 2;b;B;！ 2;b;B;@ 2;b;C;！ 2;b;C;@ 2;b;D;！ 2;b;D;@ 3;a;A;！ 3;a;A;@ 3;a;B;！ 3;a;B;@ 3;a;C;！ 3;a;C;@ 3;a;D;！ 3;a;D;@ 3;b;A;！ 3;b;A;@ 3;b;B;！ 3;b;B;@ 3;b;C;！ 3;b;C;@ 3;b;D;！ 3;b;D;@

大学毕业设计 使用python基于opencv开发车牌识别系统，可以实现后台传输的图片识别 使用了两个相同结构的卷积神经网络 车牌识别系统可以分为两个部分， 第一个部分是车牌定位过滤部分； 第二个部分是字符识别部分； 在这两部分中我都是使用CNN卷积神经网络训练之后进行识别内容。 车牌定位部分使用的技术主要为图像预处理，车牌轮廓提取还有车牌的定位； 字符识别部分使用的技术主要为字符的分割，然后完成字符识别，输出车牌信息。 输入层：36x128 第一层卷积：卷积核大小：3x3，通道数：3，卷积核个数：32，激活函数使用Relu，四个维度的滑动步长为1，填充算法的类型：SAME。 第一层池化：使用池化窗口大小为2x2的最大池化，由于不想在batch（批量）同channels（通道）做池化，因此设置为1. 第二层卷积：卷积核大下：3x3，通道数为32，卷积核个数：64，激活函数使用Rule，四个维度的滑动步长为1，填充算法的类型：SAME。 第二层池化：同样使用池化窗口大小为2x2的最大池化，由于不想在batch（批量）同channels（通道）做池化，因此设置为1. 第三层卷积：卷积核大

通过粒子群算法对卷积神经网络结构的参数进行优化，最后在训练集和测试集上进行验证，效果比普通卷积神经网络的精度更高。粒子群算法可以有效高效地为卷积神经网络的超参数搜索提供方案。相比手动设计,粒子群算法通过模拟进化算法的方式,有望找到更佳结构。 粒子群算法可以用于卷积神经网络（Convolutional Neural Network, CNN）的优化。CNN是一种常用于图像识别、语音识别等领域的深度学习模型，它由多个卷积层、池化层和全连接层组成。CNN模型的优化需要调整的超参数很多，包括卷积核大小、卷积核数量、池化大小、学习率等等。因此，使用传统的梯度下降算法可能会陷入局部最优解，而粒子群算法则可以通过全局搜索来寻找更优的解。

Maltab实现CNN卷积神经网络故障诊断（代码完整，可直接运行，适合2018及以上） 卷积神经网络（convolutional neural network）是具有局部连接、权重共享等特性的深层前馈神经网络，最早主要是用来处理图像信息。 相比于全连接前馈神经网络，卷积神经网络有三个结构上的特性：局部连接、权重共享以及汇聚，这些特性使得卷积神经网络具有很好的特征提取能力，且参数更少。 利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

基于matlab的卷积码编译码仿真 本文简明地介绍了卷积码的编码原理和译码原理。并在SIMULINK模块设计中，完成了对卷积码的编码和译码以及误比特统计整个过程的模块仿真。最后，通过在仿真过程中分别改变卷积码的重要参数来加深理解卷积码的这些参数对卷积码的误码性能的影响。经过仿真和实测，并对测试结果作了分析。

两种亚热带土壤中铁锰的淋溶淀积及其对Pb和Cd的吸附特征，汤帆，尹兰果，以亚热带的黄棕壤和棕红壤为装柱材料，用铁锰混合溶液（0-0.04 mol/L）淋溶土柱，研究铁锰在土壤中的淀积特征；并用等温吸附法研究其

在本文中，我们正在对陆地2D数据执行Spiking和Gap反卷积； 我们在操作员长度（200 ms）上应用击球和堆栈数据，而在间隙反卷积中使用不同的间隙窗口（16.24 ms）。 输出数据的质量优于输入数据，并且频率分布具有同质性。 另外，在尖峰解卷积的情况下，频率的带宽也在增加，并且平滑专家，因为它提高了时间分辨率，因此，对于我们来说，层之间的夹层显得很重要，这对于解释非常重要。

基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作