在matlab环境中搭建PNN网络并应用在变压器故障诊断中去，有相关阅读文档！

基于算法的变声变调研究（语音合成，内含数据集以及源码）

使用步骤 1.安装labelme，使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址： 文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.

基于matlab深度学习工具箱来设计卷积神经网络用来对图像上的水体部分进行识别，并生成水体陆地二值化图像。采用的是9层卷积神经网络用来对图像进行特征提取和分类，水体识别的准确率可以达到96%以上。

【信号识别】基于matlab深度学习CNN信号调制分类【含Matlab源码 2066期】.mp4

Caffe：用于快速特征嵌入的卷积架构

【MATLAB项目实战】基于CNN_SVM的图像花卉识别 里面包括单CNN、单SVM 、CNN_SVM三个程序 其中CNN_SVM里可以更改不同的CNN架构 AlexNet VGG16 VGG19 ResNet50

无论是设计算法，准备和标注数据，还是生成代码并部署到嵌入式系统，只需短短几行 MATLAB? 代码，就可以在工作中应用深度学习方法。

freexyn编程实例视频教程系列45 Matlab与深度学习（卷积神经网络） 主要内容 运用Matlab编程处理深度学习在图像的分类识别和回归预测方面的应用，主要内容就是学习卷积神经网络。 目 录 45.0 概述 1 45.1一个实例入门深度学习 1 45.2 图像数据集读取并输入网络：表 table 2 45.3 网络分类识别并计算准确率classify 3 45.4 图像输入层imageInputLayer 3 45.5 卷积的原理 4 45.6 卷积层convolution2dLayer 5 45.7 批量归一化层batchNormalizationLayer 5 45.8 修正线性单元reluLayer 5 45.9 最大池化层maxPooling2dLayer 5 45.10 全连接层fullyConnectedLayer 6 45.11 归一化指数层softmaxLayer 6 45.12 分类输出层classificationLayer 6 45.13 卷积神经网络（工作原理和运行机制） 7 45.14 激活/特征提取activations 7 45.15 traini

其中预训练模型包含(注意由于文件巨大被分为了三部分） AlexNet（part1） Darknet_19（part1） Darknet_53 （part1） DenseNet_201（part1） EfficientNet_b0 Inception_ResNet_v2 Inception_v3 LeNet LeNet_Places365 mobileNet_v2 NasNet_large NasNet_mobile ResNet_18 ResNet_50 ResNet_101 shuffleNet VGG_16 VGG_19 Xception 其中：所有模型变量储存在其对应名字的mat文件夹中，加载后模型变量皆为：net，matlab版本越高所支持其中的模型越多，在matlab deep learning toolbox中深度网络编辑器中从工作区导入可以根据自己的需求进一步进行改进。 模型详细内容解释参考：https://blog.csdn.net/m0_47787372/article/details/125774554?spm=1001.2014.3001.5501