引文 文章： ： 如果您发现此存储库对您的研究有用，请引用此工作： Martinsson, J., Schliep, A., Eliasson, B. et al. J Healthc Inform Res (2019). https://doi.org/10.1007/s41666-019-00059-y 先决条件 该代码旨在在OhioT1DM数据集上运行。 因此，要使用它（例如，示例实验YAML配置）中的xml_path需要指向XML数据文件所在的磁盘上的路径。 例如，更改“ / home / ubuntu / ohio_data / OhioT1DM-training /”以指向包含ohio数据集XML文件的Ohiot1DM-training文件夹。 当然可以编写一个新的数据集模块，该模块将数据加载为所需格式并在其他数据上训练模型。 安装 $> chmod +x setup

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

田春伟，徐永，李作勇，左望萌，费伦和刘宏的Atent-guided CNN for图像降噪（ADNet）由神经网络（IF：5.535）于2020年发布（ ），并由Pytorch实现。 这篇论文被推到了Nueral Networks的主页上。 此外，微信公众号还在和 。 本文是第一篇通过深度网络属性解决复杂背景图像降噪的论文。 抽象 深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。 研究通常致力于通过非常深的CNN来提高性能。 但是，随着深度的增加，浅层对深层的影响会减弱。 受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。 具体而言，SB通过使用膨胀的和普通的卷积来去除噪声，从而在性能和效率之间进行权衡。 FEB通过很长的路途整合了全球和局部特征信息，以增强去噪

The challenge posed by the many-body problem in quantum physics originates from the difficulty of describing the non-trivial correlations encoded in the exponential com- plexity of the many-body wave function. Here we demonstrate that systematic machine learning of the wave function can reduce this complexity to a tractable computational form, for some notable cases of physical interest. We introduce a variational repre- sentation of quantum states based on artificial neural networks with variable number of hidden neurons. A reinforcement-learning scheme is then demonstrated, capable of either finding the ground-state or describing the unitary time evolution of complex interacting quantum systems. We show that this approach achieves very high accuracy in the description of equilibrium and dynamical properties of prototypical interacting spins models in both one and two dimensions, thus offering a new powerful tool to solve the quantum many-body problem.

离散小波变换dwt matlab代码论文代码“使用完全卷积去噪自动编码器消除细胞外神经记录中的噪声” 抽象的 细胞外录音受到大量噪声源的严重污染，使降噪过程成为一项极具挑战性的任务，必须对其进行有效的尖峰分拣才能解决。 为此，我们提出了一种利用此问题的端到端深度学习方法，该方法利用了完全卷积去噪自动编码器，该编码器学会了从嘈杂的多通道输入中产生干净的神经元活动信号。 在模拟数据上的实验结果表明，我们提出的方法可以显着改善受噪声破坏的神经信号的质量，优于广泛使用的小波去噪技术。 要求 Python（已通过v3.8测试）：用于数据生成和网络开发 Matlab（经过R2020b测试）：用于开发小波去噪方法以比较网络的性能 为了安装必要的Python库，请运行以下命令： pip install -r requirements.txt 注意：要运行数据集生成脚本，您还应该安装MEArec Python库。 可以找到说明。 数据集 用于训练和评估的细胞外录音有两种格式，即.mat和.tfrecord 。 . |-- data/ | |-- mat/ | |-- TFRecord/ . 数据组织如下

神经网络与模式识别方面的经典书籍，没下过的来下

针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

在这个全球化的时代，很可能会遇到与我们使用不同语言进行交流的人或社区。 为了承认由此引起的问题，我们正在开发机器翻译系统。 Google LLC 等多家知名组织的开发人员一直致力于使用机器学习算法（如人工神经网络 (ANN)）引入算法来支持机器翻译，以促进机器翻译。 在这方面已经开发了几种神经机器翻译，但另一方面，循环神经网络（RNN）在该领域并没有太大发展。 在我们的工作中，我们试图将 RNN 引入机器翻译领域，以承认 RNN 优于 ANN 的优势。 结果显示了 RNN 如何能够以适当的准确度执行机器翻译。

道路裂缝检测神经网络 使用 keras 构建的卷积神经网络以 97.5% 的准确率检测道路裂缝。 这个 repo 包含一个 jupyter notebook 文件，用于正确理解图像数据集和模型训练。 #数据集

神经网络实现分类matlab代码用于机器学习的神经网络 实现Geoffrey Hinton教授讲授的课程“神经网络机器学习”的项目。 作者：王健、唐少 贡献：用python代码代替本课程默认的matlab，得到每个项目的数值结果并回答问题。 编程作业 1：感知器学习算法 使用感知器学习算法对四个二类数据集进行分类。设置迭代次数等于5作为示例 数据集 1 的结果： 数据集2的结果： 数据集3的结果： 数据集4的结果： 左图显示了数据集和由感知器的权重给出的分类边界。 反例显示为圆圈，而正例显示为正方形。 如果示例为绿色，则表示该示例已按提供的权重正确分类。 如果它是红色的，那么它就被错误地分类了。 中间的图显示了迄今为止感知器算法在每次迭代中所犯的错误数量。 右图显示了到一些非常可行的权重向量的距离（如果提供了一个）（注意，这些权重向量可以有无数个）。 分类器出错的点显示为红色，而正确分类的点显示为绿色。 我们可以看到data1、data3可以线性分离，而data2和data4不能。