三种手势识别

FERPlus人脸表情识别程序，使用的是keras

2ask的功率谱密度matlab代码调制识别数据集 生成调制信号数据集 信号集包括2ASK，2PSK，2FSK，4ASK，4PSK，4FSK，8ASK，8PSK，8FSK，16QAM，64QAM，信号比范围为-20db至18dB，调制到中频。 信号参数 符号率fb：1e3 载波频率fc：2e3 采样频率fs：64e3 信号通道：awgn，瑞利

职能： 选择图像：读取输入图像。 将选择的图像添加到数据库：输入的图像将添加到数据库，并将用于训练。 数据库信息：显示有关数据库中存在的图像的信息。 图像必须具有相同的大小。 如果不是这样，则必须调整它们的大小。 3D人脸识别：人脸匹配。 处理选定的输入图像。 删除数据库：从当前目录中删除数据库。 信息：显示有关此软件的信息 人脸 3D 识别系统的源代码： 退出：退出程序

改代码工程更新了摄像头读取人脸，并上传至百度AI，输出返回的人脸属性，同时在尝试使用多线程上传图片数据，使窗口显示画面更加流畅。感兴趣的朋友请自取。。

本人翻译的Insight Face论文：ArcFace: Additive Angular Margin Loss for Deep Face Recognition。由于水平有限，因此文中很多名词不明白怎么翻译，还有可能存在一些地方有错误翻译，建议对照英文版原文比对着看。如果发现有翻译错误的，还请见谅并且通知我，或者有更好的理解，欢迎交流，谢谢。

雷达干扰matlab代码LPI-雷达-波形识别 在过去十年中广泛出现的汽车雷达面临着各种干扰攻击。 利用低截获概率 (LPI) 雷达波形作为基本解决方案之一，需要在截获接收器上使用准确的波形识别器。 已经研究了许多用于 LPI 雷达波形识别的传统方法，但它们在信道条件恶化的情况下性能不足。 通过利用深度学习 (DL) 来捕获固有的无线电特性，我们开发了卷积神经网络 (CNN)，即 LPI-Net，用于自动雷达波形识别。 特别是，首先使用 Choi-Williams 分布通过时频分析来分析雷达信号。 随后，主要由三个复杂模块组成的 LPI-Net 被构建来学习时频图像的表征特征，其中每个模块都用前面的地图集合构建以获得特征多样性和跳跃连接以保持信息身份. 与源代码相关的研究论文现已发表在 . T. Huynh-The, V. -S. 多安，C.-H。 华，Q. -V。 范，T. -V。 Nguyen 和 D. -S. Kim，“使用 CWD-TFA 进行深度卷积网络的准确 LPI 雷达波形识别”，IEEE 无线通信快报，doi：10.1109/LWC.2021.3075880。 该存储库

软件定义无线电matlab源代码使用深度学习架构的无线电调制分类 添加一名作者 该笔记本包含我在 2020/2021 学年的代码。 抽象的 学士学位论文的重点是使用深度学习方法进行无线电调制分类。 论文中提出了四种深度学习架构。 其中三个使用卷积和循环神经网络，第四个使用变压器架构。 在设计阶段考虑了每个模型的最终参数数量，因为它会对部署模型的内存占用产生很大影响。 这些架构是用 Keras 编写的，这是一个软件库，为神经网络提供 Python 接口。网络。 此外，还将这些架构的结果与有关该主题的其他研究论文的结果进行了比较。 代码结构如下： 导入- 导入所需的库 定义的函数-定义函数以便以后更容易地处理数据 访问数据集- 如果您愿意，您可以跳过这一部分并在其他地方下载数据集 加载数据- 加载数据并将它们划分为训练、验证和测试集 深度学习部分- 包含准备进行训练和评估的架构 加载训练模型- 您可以选择下载 CGDNN 模型并查看它在相应数据集上的表现 层可视化- 为可视化卷积层和循环层的激活图而编写的一部分代码 绘图- 您可以在这部分绘制混淆矩阵 这段代码在 Google Colab

pattern recognition and machine learning的翻译版本，不到500页，不如原版的749页那么多。

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition