贝叶斯神经网络预测：使用动态贝叶斯神经网络预测连续信号数据和Web跟踪数据。 与其他网络架构相比

音乐流派分类 特拉维夫大学，深度学习（深度神经网络）和声音处理领域的学术研究。 精选于 。 抽象 本文讨论了对声音样本的音乐流派进行分类的任务。 介绍 当我决定从事声音处理领域时，我认为体裁分类与图像分类是一个平行的问题。 令我惊讶的是，在深度学习中没有发现太多解决这个确切问题的作品。 确实解决了该分类问题的一篇论文是来自伊利诺伊大学的陶峰的论文[1]。 我确实从本文中学到了很多东西，但是老实说，他们给出的论文结果并不令人印象深刻。 所以我不得不看其他相关但不确切的论文。 很有影响力的论文是基于深度内容的音乐推荐[2]。该文章是关于使用深度学习技术的基于内容的音乐推荐。 他们获取数据集的方

使用seq2point神经网络进行点对点学习以进行非侵入式负载监测

一本非常经典的卡尔曼滤波教程，适合中高等的研究人员参考

CS229 2018年秋季 斯坦福大学的课程的所有讲义，幻灯片和作业。 所有讲座的视频都可以 。

GA-optimized-neural-network-main.zip

Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.

TensorFlow 2.0中的自动编码器 以下自动编码器的实现； 香草自动编码器（AE） 去噪自动编码器 备用自动编码器（进行中） 压缩式自动编码器（进行中） 可变自动编码器（VAE） 条件变分自动编码器（CVAE） 节拍变奏自编码器（beta-VAE）（进行中） 如何运行： 运行python3 main.py --ae_type AE 我们可以传递的参数： ae_type：自动编码器的类型-AE，DAE，VAE，CVAE，BetaVAE latent_dim：潜在维度的度数-2、3等。 num_epochs：训练纪元数-100等 learning_rate：培训期间的学习率-1e-4 batch_size：批量大小-1000

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包

保守值法matlab代码Matlab神经网络 这是2017年机器学习和应用程序课程的作业。 本示例使用存档，但任何类型的标记数据集都可以解决问题（进行一些小的修改）。 它会通过批处理或联机方法尝试不同的大小，并在验证误差小于训练误差的情况下继续进行训练。 它附带了用于 classic back-propagation gradient-descent rprop 支持的错误函数是： sum-of-squared cross-entropy ..但是代码足够灵活，可以使用您想要使用的任何功能，只要它尊重签名（当然，是有效的权重更新方法或有效的错误功能）。 还有一个pdf文件（仅限意大利语！），它更深入地介绍了NN和实现的细节。 如何使用 下载文件，解压“ immagini.mat” 7zip存档，然后运行main功能。