基于卷积神经网络的语音活动检测器 该GitHub存储库是以下论文的代码伴奏： 用于实时语音活动检测的卷积神经网络智能手机应用程序Abhishek Sehgal和Nasser Kehtarnavaz-达拉斯德克萨斯大学 摘要：本文提出了一种智能手机应用程序，该应用程序基于卷积神经网络执行实时语音活动检测。 讨论了实时实现问题，这些问题显示了如何解决与卷积神经网络相关的缓慢推理时间。 开发的智能手机应用旨在充当助听器信号处理管道中降噪的开关，从而能够在嘈杂的语音信号的仅噪声部分进行噪声估计或分类。 将开发的智能手机应用程序与以前开发的语音活动检测应用程序以及两种被引用率很高的语音活动检测算法进行比较。 实验结果表明，使用卷积神经网络开发的应用程序优于以前开发的智能手机应用程序。 资源 可通过以下链接获得与该工作有关的支持材料： 关联 描述 IEEE访问手稿 在Android和iOS智

ER_Networks.m

焦点损失 降低了分类良好的示例的权重。 这样做的净效果是，将更多的培训重点放在难以分类的数据上。 在我们的数据不平衡的实际环境中，由于我们拥有更多的数据，我们的多数阶级将很快得到很好的分类。 因此，为了确保我们在少数族裔班上也能达到很高的准确性，我们可以使用焦点损失在训练过程中为那些少数族裔班级提供更多的相对权重。 焦点损失可以很容易地在Keras中实现为自定义损失函数。 用法 以焦点损失为样本编译模型： 二进位 model.compile（损失= [binary_focal_loss（alpha = .25，gamma = 2）]，指标= [“准确性”]，优化程序= adam） 分类的 model.compile（损失= [categoical_focal_loss（alpha = [[。25，.25，.25]]，gamma = 2）]，指标= [“准确性”]，优化程序= ad

Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码，Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码

有关BP算法深度学习巨头的论文原文，包含全部的论文内容。

负荷预测：使用MATLAB（ANN）进行负荷预测

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

Introducing 5G networks.docx

网络科学最好的教科书，作者是Mark Newman，排版清晰，真正的电子版

mark newman的Networks: An Introduction ， 网络科学的入门书籍