编写程序，输入两个正弦序列（点数为128、256、512），分别用一般卷积和快速卷积进行计算，列表比较二者的用时。要求输入两个正弦序列——x(n)1024点，h(n)128点，求长输入序列的卷积（响应）。 通过对比二者的差别，了解应用FFT算法的好处，它不仅仅减少了计算时间，也节约了计算资源的开支，大大改善了DFT的运算效率。

在网络购物不断发展的背景下，基于服装图片的服装分类识别和搭配推荐具有给予消费者搭配建议并帮助商家促进销售的重要意义。深度学习作为机器学习领域的最新研究成果，建模与表征能力强大，在图像处理领域取得了突破成果；改进卷积神经网络通过加入批量归一化、改进卷积层结构、添加冗余分类器改进了原始GoogleNet卷积神经网络，提高了分类精确度和速度。对搭配库训练集进行图片增广，扩增数据集使其更加丰富全面，并提高精确度；运用改进卷积神经网络对增广后的数据集进行服装精细分类，得到图片的服装类别风格以及功能信息；使用感知哈希算法寻找套装图片库中的相似单品及其搭配，并根据精细分类得到图片性别、风格、功能信息，最终综合给出服装搭配推荐，具有重要的现实研究意义。

基于全卷积Fully-Convolutional-Siamese-Networks的目标跟踪仿真+word版说明文档 版本组合：Win7+Matlab R2015b+CUDA7.5+vs2013 文档中提供了上述运行环境的配置方法 注意事项（仿真图预览可参考博主博客里面"同名文章内容"。）

卷积神经网络简略版思维导图

卷积码基础理论及Viterbi译码算法.doc

卷积码编译码算法研究答辩(开场白和大纲).doc

这篇文档是我迄今为止见到的写的最好的关于卷积神经网络内部机制的博文。

给定两个数组，对其进行分治法处理，并应用快速傅里叶变换合成为一个数组

基于3D卷积的视频分析与动作识别

本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下 1.概述 定义： 卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。 卷积层（convolutional layer）： 对输入数据应用若干过滤器，一个输入参数被用来做很多类型的提取。 池化层（Pooling Layer）： 也叫子采样层，缩减数据的规模