针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

针对齿轮泵压力脉动理论计算复杂,精度低的问题,建立了神经网络模型进行预测。首先利用AMESim软件建立了齿轮泵的职能模型,并仿真得到了齿轮泵压力脉动的数据,然后利用所得数据建立了神经网络模型,并把神经网络计算结果与仿真结果对比,证明了所建立的神经网络的准确性、有效性。

使用深度卷积网络的语义感知图像压缩 该代码是论文一部分，论文摘要在本页底部提供。 它包括三个部分： 生成感兴趣的多结构区域（MSROI）的代码（使用CNN模型。已提供了预训练的模型） 使用MSROI映射在语义上将图像压缩为JPEG的代码 训练CNN模型的代码（供1使用） 要求： 张量流 脾气暴躁的 大熊猫 Python PIL Python SKimage 有关详细的要求列表，请参阅requirements.txt 推荐： Imagemagick（用于更快的图像操作） VQMT（用于获取指标以比较图像） 目录 如何使用此代码？ 生成地图 ``` python generate_map.py ``` 在“输出”目录中生成地图和覆盖文件。 如果收到此错误 ``` InvalidArgumentError (see above for traceb

分析了混沌神经网络的优化机制,研究了具有模拟退火特性的混沌神经网络模型,给出了混沌神经网络的能量函数,以及计算网络Lyapunov指数的方法,从理论上证明了当网络参数满足一定条件时,网络具有混沌性状。在仿真实验中,应用Hopfield网络和混沌神经网络求解信道分配问题。结果表明,混沌神经网络在求解优化问题时具有更强的搜索全局最优解的能力,和更快的收敛速度。

好用的RBF神经网络波束形成小程序，学会使用神经网络中比BP神经网络更优秀的RBF径向基函数神经网络进行深度学习，优化波束形成中MVDR算法的最优权向量，从而达到波束形成的优化，在雷达通信，水下通信中都是值得一提的优化

针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。

MATLAB代码，直接运行，可以换数据。

lpc matlab代码 用于多通道卷积语音/音乐分离的语音密度估计。 我使用独立向量分析（IVA）作为分离框架。 请检查报告以获取详细信息。 请使用来重现报告的结果。 我重写了代码以使其更有条理和有用。 与流行的端到端监督语音分离方法不同，此处的目标是学习用于无监督分离的神经网络密度模型。 所得的密度模型可用于例如在线或批量分离，不同数量来源的分离，人工或实际混合物的分离，而无需重新训练任何不同的特定监督分离模型。 关于Pytorch培训代码 Artificial_mixture_generator.py：实际混合矩阵为inv（a_FIR_system）*（another_FIR_system），因为我们不断更改混合矩阵，并且自然梯度下降对组合的分离混合矩阵起作用。 dnn_source_priors.py：定义了简单的圆形和非圆形源模型。 如果还想恢复每个仓的相位，则必须使用非圆形模型。 恢复相位（直到某些全局旋转歧义）是不平凡的，因为这将使语音反卷积/去杂音化。 这是通过迫使使用估计相位的重构语音也与原始源保持一致来实现的。 尽管如此，轻量级的无记忆圆形模型在大多数情况下似乎已经

使用了神经网络算法对锂电池的健康程度进行分类，同时使用了梯度下降法，共轭梯度法与基于拟牛顿法等对数据进行分类比较。

matlab迭代阈值代码Sista-rnn 论文代码 [1] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“通过展开迭代阈值来建立顺序网络以进行顺序稀疏恢复”，ICASSP 2017，美国路易斯安那州新奥尔良，2017年3月 [2] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“使用顺序稀疏恢复的可解释的递归神经网络”，arXiv预印本arXiv：1611.07252，2016年。在NIPS 2016复杂可解释机器学习研讨会上发表系统公司，西班牙巴塞罗那，2016年12月 通过以下方式包含代码： Stephen J. Wright，Robert D. Nowak和Mario Figueiredo，可从以下网站获得 Salman Asif，可从以下途径获得 Martin Arjovsky，Amar Shah和Yoshua Bengio，可从以下网站获得 要复制论文的结果，请按照下列步骤操作： 下载可从以下网站获得的Caltech-256数据集 执行“ run_supervised.sh”脚本。 这将为所有其他功能加载和预处理Ca