MATLAB实现CNN卷积神经网络多特征分类预测（完整源码和数据） 数据多特征分类数据，输入15个特征，分四类。 运行环境MATLAB2018b及以上，CNN的基本结构由输入层、卷积层、池化层，也称为取样层、全连接层及输出层构成。

MATLAB实现CNN卷积神经网络多输入回归预测（完整源码和数据） 数据多特征分类数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上。

MATLAB实现CNN卷积神经网络时间序列预测（完整源码和数据） 数据为单变量时间序列数据， 运行环境MATLAB2018b及以上， 一种基于cnn的时间序列预测方法，采用确定好的cnn模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。

深度学习系列课程资料分享，第一讲 课外学习资料，第二讲，传统神经网络，其他部分请看我上传的资源列表.......

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

大部分基于卷积神经网络的双目立体匹配算法往往将双目图像对的像素级别特征作为匹配代价进行计算,缺乏将全局特征信息结合到立体匹配算法的能力,导致不适定区域(如弱纹理区域、反光表面、细长结构、视差不连续区域等)的匹配精度差,进而影响整体立体匹配精度。针对这个问题,提出一种基于多维特征融合(MDFF)的立体匹配算法,该算法主要由三个模块组成:残差开端(Inception-ResNet)模块、空间金字塔池化(SPP)模块和堆叠沙漏网络(SHN)模块。Inception-ResNet模块主要提取图像对局部特征信息;SPP模块主要提取图像对全局特征信息,构建匹配代价卷;SHN模块用来规则化匹配代价卷。在KITTI2012和KITTI2015数据集上进行验证,可得本文算法的三像素平均误匹配率为1.62%和1.78%,超过了国内外大部分先进算法;此外,本文提出的立体匹配算法在Apollo数据集和Middlebury数据集上也表现较好。

深度学习取得成功的一大关键因素是网络上海 量可用的数据．当前，在工程应用及生物神经领域存 在有指数增长的海量复杂数据，以文字、图片、视频、 音频、基金数据等不同模态呈现出来，具有绝然不同 的数据分布．这对神经网络模型的训练复杂度、参数 选取、结构设计、时间复杂度等方面的平衡都带来了 新的挑战．因此，如何充分利用大数据来设计更具有 特征表达能力的神经网络模型，还值得进一步研究．

基于python语言书写用到的函数库有tensorflow，numpy，pandas，matplotlib. 此压缩包下有包含（CNN手写数字识别.ipynb，CNN涂鸦识别.ipynb，两个数据集分别是minist手写字符集和Google涂鸦集，因占用空间超过1G，采用蓝奏云盘的格式分享，附加一份结课文档可参考）。手写数字识别采用卷积神经网路识别minist手写数字集，涂鸦识别采用卷积神经网络识别涂鸦集，经实验效果良好，准确率达到98%以上。并且使用绘图软件自己绘图识别，测试图片为自己绘制。 经实验，效果良好

1.深度学习资料(猫狗数据集，代码，96准确率，ResNet网络实现)。 2.TensorFlow 教程以 Jupyter 笔记本格式编写而成。 3.您最好从用户友好的 Keras Sequential API 入手。您可以将各基础组件组合在一起来构建模型。 4.Keras 函数式 API 和子类化 API 提供了由运行定义的自定义和高级研究接口。您可以构建模型，然后编写前向传播和反向传播；还可以创建自定义层、激活函数和训练循环。 5.猫狗大战是 kaggle 的一个著名比赛项目，即编写一个算法使机器能够区分猫和狗（图片）。 6.猫狗识别是计算机视觉和卷积神经网络的入门项目。通过这个项目，初学者（我这种）7.能够很好地理解图像数据的结构。 这个项目的整体流程如下： 数据读入 数据清理 将图片与label对应 图片尺寸归一化 划分验证集、训练集 数据扩增 数据训练、观察学习过程、计算本地cv分数 预测、提交 8.数据来源：Kaggle在2013年公开的猫狗数据集，该数据集总共25000张图片，猫狗各12500张。

本文介绍了计算函数卷积的四种基本方法： （1）利用卷积定义计算 （2）图解计算 （3）利用卷积的特性计算 （4）算子计算（微分冲激法） 它们各有其应用场合，各有其所长，应该根据参与卷积的函数的不同特点而灵活应用。