灰狼算法(GWO)优化卷积神经网络CNN分类预测，GWO-CNN分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图

卷积神经网络CNN代码解析-matlab 一、Test_example_CNN: Test_example_CNN: 1设置CNN的基本参数规格，如卷积、降采样层的数量，卷积核的大小、降采样的降幅 2 cnnsetup函数 初始化卷积核、偏置等 3 cnntrain函数 训练cnn，把训练数据分成batch，然后调用 3.1 cnnff 完成训练的前向过程， 3.2 cnnbp计算并传递神经网络的error，并计算梯度（权重的修改量） 3.3 cnnapplygrads 把计算出来的梯度加到原始模型上去 4 cnntest 函数，测试当前模型的准确率 该模型采用的数据为mnist_uint8.mat， 含有70000个手写数字样本其中60000作为训练样本，10000作为测试样本。

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

1.输入多个特征，输出单个变量； 2.考虑历史特征的影响，多变量时间序列预测； 4.excel数据，方便替换； 5.运行环境Matlab2018b及以上； 6.输出R2、MAE、MBE等评价指标。

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)数据回归预测，多变量回归预测模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

开发技术环境： Pycharm + Python3.6 + PyQt5 + OpenCV + 卷积神经网络模型 本文采用卷积神经算法对驾驶室内的驾驶员进行实时的面部图像抓拍，通过图像处理的技术分析人眼的闭合程度，从而判断驾驶员的疲劳程度。本文介绍了对目标图像进行人脸检测，然后在分割出的人脸图像中，对人脸图像进行水平投影，并根据水平投影得到的人眼上下眼睑，定位出人眼的位置，而且根据人眼的上下眼睑可以通过事先给出的一定判别标准，判断眼部是否处于疲劳状态，从而达到疲劳检测的目的。当检测出驾驶员处于疲劳时，系统会自动报警，使驾驶员恢复到正常状态，从而尽量规避了行车的安全隐患，并且系统做出预留功能，可以将驾驶员的疲劳状态图片发送给指定的服务器以备查询。因此组成本系统中系统模块如下： （1）视频采集模块 （2）图像预处理模块 （3）人脸定位模块 （4）人眼定位模块 （5）疲劳程度判别模块 （6）报警模块

本文来自csdn，文章先来卷积神经网络和全连接神经网络对比，接着让我们直观理解卷积，卷积计算流程，结合案例进行相关的介绍。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平

5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1

Javascript中的深度学习，实现在浏览器中训练卷积神经网络