基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

（171,133）卷加码及其2/3、3/4码率删除码的编译码，对比不同码率在不同信噪比条件下的抗噪声性能

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

基于卷积神经网络级联人脸关键点检测算法.docx

基于卷积和循环神经网络模型融合的股票开盘价预测研究.docx

ImageFiltering 实现了模糊、锐化、梯度计算和其他线性滤波操作，以及像 min/max 这样的非线性滤波器。 具有重叠功能的软件包也提供了一些额外的东西： 数字信号处理器 更多详情、使用方法，请下载后阅读README.md文件

多对象单细胞反卷积（MuSiC） MuSiC是一种反卷积方法，它利用跨学科的scRNA-seq来估计大量RNA-seq数据中的细胞类型比例。 如何引用MuSiC 请引用以下出版物： 具有多对象单细胞表达参考的大体积组织细胞类型反卷积X.Wang，J.Park，K.Susztak，NRNR Zhang，M.Li 自然通讯。 2019年1月22日 安装 # install devtools if necessary install.packages( ' devtools ' ) # install the MuSiC package devtools :: install_github( ' xuranw/MuSiC ' ) # load library( MuSiC ) 更多信息 请参阅。

卷积的研究和图像处理的研究 matlab

卷积的研究和图像处理的研究 matlab