采用一维CNN神经网络算法，对西储大学轴承数据集，最终得到的准确率不低于99.5%，且灵活，根据个人想法，随意调整训练集测试集的比例，这是我2021年的故障诊断大作业，从开始学习到最终搞定花了不少时间。 另外，附上我的程序与报告。

基于卷积神经网络的运动去模糊

图像卷积操作matlab代码CNN-MAR 基于卷积神经网络的X射线计算机断层摄影中的金属伪影减少（CNN-MAR） 版本1.0 张彦波博士（） 于恒勇博士（） 马萨诸塞州洛厄尔大学 2018.03.24 描述： 这段代码是用Matlab编写的。 它已在装有Windows 10操作系统，Matlab R2016a，Microsoft Visual C ++ 2012和GeForce GTX 970 GPU卡的PC上进行了测试。 由于该代码使用的是MatConvNet工具箱，因此如果您在测试环境中遇到兼容问题，请参考MatConvNet主页（）中的说明。 您可以在CPU或GPU模式下使用此代码来训练自己的神经网络。 我们还提供了训练有素的神经网络，小型训练数据样本和三个示例数据。 因此，您可以直接运行Demo_CNNMAR.m以获取样本数据的结果。 资料夹结构： Demo_CNNMAR.m：应用方法和评估的示例代码 cnnmar：CNN-MAR功能 数据：示例训练数据和金属工件数据 依赖的 matconvnet：MatConvNet工具箱， Practical-cnn-reg-2016a

这只是我本科毕业答辩的PPT，对应代码之后再发布，网络有Resnet、Alexnet、VGGNet、SqueezeNet，数据增强方式有常规数据增强和DCGAN数据增强

基于卷积神经网络的药片表面缺陷检测，杨旭东，周学成，药片缺陷检测是保证药品质量的重要手段。人工检测存在成本高、效率低、主观性强等问题，而基于模式识别的传统的机器视觉方法虽然

2021年华中杯B题数学建模论文一篇

1 绪论 1 1.1 研究背景 1 1.2 国内外研究现状 1 1.3 研究目的及内容 2 1.4 本章小结 3 2 系统的相关技术 4 2.1 手写识别技术 4 2.2 Gensim框架 4 2.3 PyQt5 GUI程序 4 2.4 MongoDB数据库 5 2.5 本章小结 5 3 系统的可行性分析与需求分析 6 3.1 可行性分析 6 3.1.1 技术可行性 6 3.1.2 经济可行性 6 3.1.3 运行可行性 6 3.2 需求分析 6 3.2.1 业务需求 6 3.2.2 功能性需求 8 3.2.3 非功能需求 9 3.3 本章小结 10 4 主观题阅卷系统的设计 11 4.1 系统功能设计 11 4.1.1 基础用户功能模块 11 4.1.2 管理功能模块 12 4.1.3 试卷批阅功能模块 12 4.2 系统数据库设计 12 4.2.1 概念设计 12 4.2.2 数据库集合设计 14 4.3 本章小结 16 5 主观题阅卷系统的实现 17 5.1 基础用户功能模块 17 5.1.1 登录注册功能 17 5.1.2 修改密码功能 17 5.1.3 下载与上传功能 17 5.1.4 查看成绩功能 18 5.2 管理功能模块 18 5.2.1 管理员登录功能 18 5.2.2 文件管理功能 18 5.2.3 账号管理功能 18 5.3 试卷批阅功能模块 19 5.3.1 手写识别功能 19 5.3.2 文本相似度计算功能 20 5.4 本章小结 22 6 系统测试 23 6.1 测试目的 23 6.2 基本功能测试 23 6.3 主要功能详细测试 24 6.4 本章小结 27 总结与展望 29 参考文献 30 致 谢 31 附 录 32

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

请通过创建新期刊或通过电子邮件为我留下反馈！ 如果您喜欢其中的内容，请为该存储库加注星标！ CNN-COVID-19-使用胸部CT扫描分类 卷积神经网络基于胸部CT扫描的COVID-19分类 描述 此仓库中有两个Jupyter笔记本（在notebooks文件夹中）。 1-卷积神经网络简介 本笔记本向不熟悉该领域的人介绍了深度神经网络（DNN）和卷积神经网络（CNN）。 我说明了DNN中的关键组件，CNN的动机以及使CNN强大用于图像分类的功能。 基于2 COVID-19分类的CT扫描 本笔记本是我们使用tensorflow.keras构建的CNN COVID-19 CT扫描分类器的tensorflow.keras 。 我们将网络构建为INFORMS QSR 的入口。 构建COVID分类器的团队成员：A / P ， 和我。 CT扫描数据集来自。 这些详细信息在此预印本中进行了

基于卷积神经网络的手写字体识别，可较为准确识别手写汉字、数字，英文字符 具备手写板功能（Matlab 2018 开发，其余版本兼容性未知）