matlab脑电功率谱代码脑电图的网络动力学测度 Rosch等人（2017）随附的代码：健康和癫痫性发展中大脑的网络动力学。 该存储库包含可用于重现分析以识别不同静态EEG模式之间网​​络动态差异的代码。 该代码用于上述手稿，以描述网络动力学异常，该异常表征了两种严重的早期婴儿严重癫痫综合症，即Ohtahara综合征和West综合征/小儿痉挛。 运行代码时，您需要下载并解压缩文件夹，并在ee_housekeeping函数中定义家庭文件夹。 该代码在Matlab上运行（已通过2016b测试），并且需要多个工具箱才能运行： -根据现有傅立叶频谱生成综合时间序列（包含在此回购协议中） -估计二维图像的清晰度（包含在此版本库中） -提供不同的调色板（包含在此仓库中） -在缓慢的计算步骤中轻松可视化进度（包含在此回购中） -对于EEG信号的过滤，此代码依赖于作为标准SPM分发的一部分提供的现场旅行； 可以很容易地用您选择的另一种过滤方法代替（此处不包括SPM ） 此存储库中包含的自定义例程 该资料库包括许多不同的例程，这些例程可以手动运行，以说明针对上述手稿执行的不同分析步骤。 其中大多数将产生

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

MATLAB平台：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

简单，可扩展，值得继续研究的方向，可进行对比实验

BP神经网络的利用 输入xy 输出xy，用python语言编写的

管道泄漏检测和定位在管道的安全生产中占有重要的位置。本文将用小波包分解技术提取的管道泄漏检测系统特征信号作为神经网络的输人,建立管道运行状态的神经网络分类器,根据输出对管道的运行状态进行识别。利用小波变换特性提取压力传感器的信号奇异点,根据负压力波定位法对管道泄漏点定位,仿真结果验证了该方法的有效性。

建立了一种基于神经网络的交通流量动态预测模型，分别采用BP神经网络和径向基网络(RBF)建立了预测模型，给出了数据预处理方法和预测模型评价指标．仿真结果表明该交通流量预测方法的有效性，结果分析得出径向基网络能够更加快速有效的进行城市交通流预测。

对不同类型的皮肤癌进行分类 有任何疑问请联系 - josemebin@gmail.com

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

人工神经网络的最后的实验。用了两种方法，bp算法和 rbf 径向基神经网络