CNN的可视化，用于通过分层相关性传播进行字符识别 在这里尝试： 描述 该存储库在客户端JavaScript中包含一个预训练的卷积神经网络，该网络检测字符0到9。预测后，将计算逐层相关性传播热图，并将其显示在输入图像旁边。 学分 由AW Harley在ISVC的“卷积神经网络的交互式节点链接可视化”中发布，第867-877页，2015年。 分层相关性传播方法在S Bach，A Binder，G Montavon，F Klauschen，KRMüller，W Samek中进行了介绍： 。 这项工作得到了BMBF ALICE II资助01IB15001B的支持。

pytorch LRP的实现 PyTorch对线性层和卷积层的一些层明智相关性传播（LRP）规则[1、2、3]的实现。 这些模块装饰了torch.nn.Sequential ， torch.nn.Linear和torch.nn.Conv2d ，以便能够使用autograd算法来计算说明。 安装 要安装需求，请参阅文件。 如果使用conda ，则可以通过执行以下命令来安装称为torchlrp的环境： > conda env create -f requirements.yml 为了能够如下所示导入lrp ，请确保路径中包含TorchLRP目录。 用法 该代码可以按如下方式使用： import torch import lrp model = Sequential ( lrp . Conv2d ( 1 , 32 , 3 , 1 , 1 ), torch . nn

在配送系统中，配送中心选址问题与在此基础上的车辆路径问题相互影响，属于NP-hard难题，为有效解决定位-车辆路径问题（LRP），文中提出的两阶段算法设计结合了聚类算法和混合遗传是算法，针对实际情况在遗传算法中加入爬山算法，同时采用改进的自适应交叉、变异算法，确保种群的最优个体参与进化，提高了遗传算法的局部搜索能力。仿真实验表明，所改进的混合遗传算法有较好高的全局寻优能力，且其收敛速度快，是解决配送路径优化问题的有效方法。

该存储库包含用于在呈现我们项目的可视化呈现的内容和脚本。 该博客可以在上找到。

提出了一种基于卡尔曼滤波和AR模型的、针对由于移动台高速移动而引起的信道状态变化的信道预测方法。在研究传统的LRP信道预测算法的基础上抽取采样数据,通过训练序列得到AR模型系数,采用LRP信道预测算法进行信道预测,并引入一个决策模块,当信道状态变化较大时,采用Kalman滤波进行替代预测,可获得较好的预测性能。