该项目是使用卷积神经网络进行检测森林火灾。
该数据集包含三类图像：“火”、“不火”、“开始火”，总共约 6000 张图像。
该模型可用于从森林的监控录像中检测火灾或火灾的开始或者未发生火灾。 该模型可以实时应用于低帧率监控视频（火灾移动速度不是很快的监控视频），并在发生火灾时发出警报。
2022-09-14 21:05:32
78.18MB
1
课程导语：
人工智能可谓是现阶段最火的行业，在资本和技术协同支持下正在进入高速发展期。当今全球市值前五大公司都指向同一发展目标:人工智能。近几年，人工智能逐渐从理论科学落地到现实中，与生活越来越息息相关，相关的各种职位炙手可热，而深度学习更是人工智能无法绕开的重要一环。
从AlphaGo打败李世石开始，深度学习技术越来越引起社会各界的广泛关注。不只学术界，甚至在工业界也取得了重大突破和广泛应用。其中应用最广的研究领域就是图像处理和自然语言处理。而要入门深度学习，CNN和RNN作为最常用的两种神经网络是必学的。网上关于深度学习的资料很多，但大多知识点分散、内容不系统，或者以理论为主、代码实操少，造成学员学习成本高。本门课程将从最基础的神经元出发，对深度学习的基础知识进行全面讲解，帮助大家迅速成为人工智能领域的入门者，是进阶人工智能深层领域的基石。
讲师简介：
赵辛，人工智能算法科学家。2019年福布斯科技榜U30，深圳市海外高层次人才（孔雀人才）。澳大利亚新南威尔士大学全奖博士，SCI收录其发表过的10篇国际期刊学术文章。曾任深圳市微埃智能科技有限公司联合创始人。CSDN人工智能机器
2022-09-14 17:51:08
302.58MB
1
植物病害分类
使用图像数据和神经网络对植物病害进行分类
该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。
使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。
评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。
项目组织
├── LICENSE
├── Makefile <- Makefile with commands like `make data` or `make train`
├─
2022-09-12 14:51:12
10.45MB
1
使用WOA优化LSTM的初始学习率、隐含层单元数、迭代次数、最小包尺寸数
训练环境：Matlab2017-2022，gpu或cpu可设置
程序员不骗程序员，亲测有效，全网最低价，帮助科研，节省时间，提供数据加以实操
2022-09-12 11:06:14
172KB
1
使用PSO优化LSTM的初始学习率、隐含层单元数、迭代次数、最小包尺寸数
训练环境：Matlab2017-2022，gpu或cpu可设置
程序员不骗程序员，亲测有效，全网最低价，帮助科研，节省时间
2022-09-12 11:06:13
5KB
1
使用GWO优化LSTM的初始学习率、隐含层单元数、迭代次数、最小包尺寸数
训练环境：Matlab2017-2022，gpu或cpu可设置
程序员不骗程序员，亲测有效，全网最低价，帮助科研，节省时间
2022-09-12 11:06:10
4KB
1
内容概要：
1、对收集到测井数据进行去除异常值、插值、标准化、独热编码等数据预处理，分别得到预测储层物性的回归数据及识别储层含油气性的分类数据。
2、为了预测储层物性孔隙度，分别构建了BP神经网络和长短期记忆神经网络，并对该网络的隐含层数、学习率衰退因子和RMSE等关键指标进行对比分析及网络拟合度检测。此外，采用留一法交叉验证将单个井作为测试集，其余不包含该井的测井数据作为训练集，以此来分析单个井的孔隙度预测结果。
3、为了识别储层含油气性，分别构建了BP神经网络和循环神经网络（LSTM及Bi-LSTM），并利用混淆矩阵、ROC曲线及AUC面积来衡量以上分类模型的性能。
适用方向：统计学和神经网络方向案例分析
其他说明：附件包含预处理后的数据、BP和LSTM回归模型代码、BP和LSTM和Bi-LSTM分类模型代码，以及所有的分析结果图，并附上完整报告。
测井数据；BP神经网络；循环神经网络；留一法交叉验证；Matlab
2022-09-09 16:05:45
15.82MB
1