mppt matlab代码MPPT使用神经网络 使用神经网络跟踪最大功率点的另一种方法。 使用多项式回归的 MPPT 的 matlab 代码，显示出有希望的结果。

希望网 Hopenet是一个准确且易于使用的头部姿势估计网络。 在300W-LP数据集上对模型进行了训练，并在具有良好定性性能的真实数据上进行了测试。 有关方法和定量结果的详细信息，请查看CVPR Workshop。 新的 新的 要使用，请安装和 （用于视频）-我相信，除了numpy之类的常用库之外，您只需要这些即可。 您需要一个GPU才能运行Hopenet（目前）。 要使用dlib人脸检测在视频上进行测试（头部中心会跳动）： python code/test_on_video_dlib.py --snapshot PATH_OF_SNAPSHOT --face_model PATH

自然语言处理方向机器翻译的经典论文之一。

深度演示 概述 该存储库包含一些使用深度学习方法的示例，这些示例用于在MoveIt Task构造函数中掌握姿势的生成。 这些软件包是在运行ROS Melodic的Ubuntu 18.04上开发和测试的。 配套 ：使用深度学习方法在MoveIt Task构造函数中的把握生成阶段构造一个拾取和放置任务 ：使用Dex-Net从深度图像中采样抓取 moveit_task_constructor_gpd ：使用GPD采样来自3D点云的抓取 入门 首先，完成“ 入门指南” 。 在安装依赖项之前，建议先运行： sudo apt update sudo apt upgrade 重要说明：建议在catkin工作区之外安装不是ROS软件包的依赖项。 对于GPD，这包括PCL，OpenCV和GPD库。 对于Dex-Net，这包括gqcnn ， autolab_core ，悟性和可视化。 下面的步骤

在本文中，我们对这些算法进行了全面的概述，主要分为直接进行二值化的本机解决方案，以及使用使量化误差最小化，改善网络损耗函数和减小梯度误差等技术进行优化的解决方案。我们还将研究二进制神经网络的其他实用方面，例如硬件友好的设计和训练技巧。然后，我们对不同的任务进行了评估和讨论，包括图像分类，对象检测和语义分割。最后，展望了未来研究可能面临的挑战。

DBCNN-Pytorch 使用深双线性卷积神经网络进行盲图像质量评估的实验性PyTorch实现。 目的 考虑到PyTorch在学术界的受欢迎程度，我们希望此回购协议可以帮助IQA的研究人员。 此存储库将用作集成IQA研究的先进技术的活动代码库。 要求 PyTorch 0.4+ Python 3.6 默认设置下的用法 python DBCNN.py 如果要重新训练SCNN，仍然需要Matlab和原始存储库来生成合成失真的图像。 python SCNN.py 引文 @article {zhang2020blind， title = {使用深双线性卷积神经网络进行盲图像质量评估}， 作者= {张维霞和马克德和闫家加邓，德祥和王舟}， journal = {IEEE视频技术电路和系统的交易}， 音量= {30}， 数字= {1}， 页数= {36--47}， 年= {2020} } 致谢

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

内容为Coursera平台上DeepLearning系列第一课PPT合集，全部已转为PDF格式方便使用，同时也包括部分官方提供的笔记。可以用来方便复习内容和查阅。

机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

nn 构建一个尖峰神经网络 功能 该项目用于构建加标神经网络，以完成MNIST数据集上的分类任务。