如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有基于深度神经网络的少样本学习方法，涵盖了方法所用模型、数据集及评估结果等各个方面。具体地，针对基于深度神经网络的少样本学习方法，提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别；对于每个类别，进一步将其分为几个子类别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性，并指出了少样本学习研究领域未来的研究方向。

提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像（fMRI）进行特征分析，从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据，首先利用快速傅里叶变换将数据从时域转换到频域，并利用Fisher线性判别方法选择有效的频率信息，然后利用改进的卷积神经网络对选择频域数据进行特征学习，自动提取出有效的特征并进行分类。实验结果表明，提出的方法有助于ADHD患者的判别，为基于fMRI数据的ADHD研究提供了新的手段。

基于人工神经网络(ANN)技术,采用MATLAB作为开发平台,建立了激光熔覆参数与熔覆层特征及性能之间的关系模型。模型以激光功率、扫描速度、光斑直径、涂层成分配比作为输入参数,以熔覆层硬度、熔覆层宽度和高度作为输出参数,对熔覆层的特征与性能进行了预测。结果表明,该模型的平均误差较小,网络训练后检验精度较高,具有较好的预测能力。该模型能够用于预测铝合金表面激光熔覆层的特征与性能。

基于BP神经网络的Al2O3-TiC复合陶瓷刀具力学性能预测，谷美林，高洁，针对复合陶瓷刀具材料的力学性能受很多因素影响的情况，利用人工神经网络的BP算法，结合MATLAB神经网络工具箱，建立了Al2O3-TiC复合陶�

压缩包内涵2022数学建模C题全问题解答，有图有代码。一手资源，值得拥有。

研一做的课程设计，实现蒙文小写手写字母识别，MATLAB平台。附带操作图形界面。数据集为画板手写的300个，可替换别的数据集使用。

net=init(net); net=newff([-1,1],[10,6,1],{'tansig','logsig','purelin'},'traingdm');

CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络 该存储库提供“ CA-Net：可解释医学图像分割的综合注意力卷积神经网络”的代码。 现在可以在上我们的工作。 接受了我们的工作。 图1. CA-Net的结构。 图2.皮肤病变分割。 图3.胎盘和胎脑分割。 要求条件 一些重要的必需软件包包括： 版本> = 0.4.1。 智慧 Python == 3.7 一些基本的python软件包，例如Numpy。 按照官方的指导安装 。 用法 用于皮肤病变分割 首先，您可以在下载数据集。 我们仅使用了ISIC 2018 task1训练数据集，要对数据集进行预处理并另存为“ .npy”，请运行： python isic_preprocess.py 为了进行5倍交叉验证，请将预处理数据分成5倍并保存其文件名。 跑步： python create_folder.py 要在ISI

基于神经网络的语音情感识别 MATLAB bpnn lvq pnn

可以实现简单的PID参数调整进而实现PID控制