LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

1.1 模型介绍 1.2模型结构 1.3 模型特性 2.1 模型介绍 2.2 模型结构 2.3 模型特性 3.1 模型介绍 3.2 模型结构 3.3 模型特性

这是介绍径向基神经网络的视频，非常简单适用，适合从来不知道神经网络为何物的菜鸟。由于本人权限问题，只能分成5部分上传。为了方便大家下载，只有第一部分收资源分。这是第一部分。

简介：该垃圾分类项目主要在于对各种垃圾进行所属归类，本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类，最终移植在树莓派上进行实时视频流的垃圾识别。 前期：主要考虑PC端性能，并尽可能优化模型大小，训练可采用GPU，但调用模型测试的时候用CPU运行，测试帧率和准确性（测试10张左右图像的运行时间取平均值或实时视频流的帧率）。 后期：部署在树莓派端，在本地进行USB摄像头实时视频流的垃圾分类（归类）。 框架语言： keras+python。 PC端： Keras: 2.2.0 Opencv: 3.4 Python: 3.6 Numpy:1.16

BP神经网络模型Python代码

车流量建模是车联网（vehicular Ad Hoc network，VANET）路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统（intelligent transportation system，ITS）实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据，利用自回归（auto regressive，AR）模型与神经（back-propagation，BP）网络模型对车流量实测数据进行了仿真对比，给出了相应的预测结果。研究发现，两个模型均能有效地对数据进行跟踪与预测，但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。

线性神经网络模型与学习算法.rar

基于Pytorch框架自定义7层卷积神经网络模型实现垃圾分类系统源码+数据集+项目说明（人工智能期末作业）.zip 垃圾分类 实验要求： 利用深度学习模型完成垃圾分类 图片数据集来源：https://momodel.cn/explore/5d411ace1afd9427c236eab5?type=dataset Result： 使用 PyTorch 自定义 7 层卷积神经网络加 2 层全连接层的分类模型

神经网络控制已发展成为“智能控制”的一个新的分支，属先进控制技术，为解决复杂的非线性、不确定、不确知系统的控制问题，开辟了一条新的途径。《神经网络控制》分五章阐述了(人工)神经网络理论基础，基于神经网络的动态系统模型、逆模型及其辨识问题，神经网络控制的多种结构及其设计问题，遗传算法的寻优机理，遗传算法与系统辨识、遗传算法与神经控制问题。 《神经网络控制》适合作为高等工科院校自动控制、信息处理、工业自动化、模式识别与智能控制等专业高年级本科生、研究生的教材或教学参考书，也适用于从事以上专业的工程技术人员阅读。

吉林省永吉县存在大量的斜坡地质灾害，为了给永吉县斜坡地质灾害的防治和预警提供高效直观的分析模型，将吉林省永吉县作为研究区，选取高程、坡度、坡向、剖面曲率、平面曲率、距断层距离、岩性、距河流距离、年均降雨量、地形湿度指数和植被覆盖指数等11 个评价因子，利用神经网络模型进行区域斜坡地质灾害易发性分析，再选用频率比、支持向量机模型进行对比。利用ＲOC曲线对模型的准确性进行验证分析，得出神经网络、频率比和支持向量机模型的成功率分别是91. 3%、89. 3%、90. 2%，预测率分别是87. 3%、84.3%、85. 6%。结果表明: 神经网络模型的精度最高，更适用于永吉县斜坡地质灾害的易发性评价