湖南大学通信原理simulink实现课程实验卷积编译系统的设计 颖异乐帝参考各种资料残悟出真理，颖异乐帝泣血献上自己的试验和实验报告，供后来者观摩超越虎牙无敌

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题, 提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。 对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练; 再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型, 估计目标运动轨迹并预测目标位置; 最后, 将该目标位置作为MDNet的采样中心, 约束采样候选区域, 用bounding-box回归模型调整目标位置。 实验用8种跟踪方法测试了8组场景复杂的视频序列, 结果表明, 本文方法的成功率及平均覆盖率均显著高于其他7种典型算法, 具有较高的精确性和稳健性。

用MATLAB实现QAM调制和软解调，同时实现卷积码编码和维特比译码。

介绍卷积神经网络的内容，并实验演示CNN

实现猫和狗图像的二分类

这里面包含整个基于神经网络深度学习 ，实现人脸识别项目，包括原始数据 ，训练数据 训练模型 测试数据等，包含演示同步ppt文件， 使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情 以及整个卷积的介绍，可以做为入门以及会议上介绍使用的文档。 参考文件 基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt介绍及基于python3实现识别源代码。

《数字通信原理》第8章 差错控制编码：卷积码与编码权衡.ppt

python语言编写的卷积神经网络代码示例，可直接在tensorflow运行，不懂的可以留言交流。

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。

线性卷积计算,计算线性卷积的直接计算方法-linear convolution, the calculation of the linear convolution direct calculation method