基于GRU神经网络模型预测未来电力系统材料价格源码。

基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。基于LSTM神经网络模型的疫情发展趋势预测。别采用经典传染病动力学模型SEIR和LSTM神经网络实现，通过控制模型参数来改变干预程度，体现防控的意义。同时利用LSTM递归神经网络时间序列预测算法对疫情发展趋势进行预测。

基于隐马尔可夫链与gru循环神经网络模型的交通拥堵指数预测 关键词 时序预测 XGBoost ARiMA GRU Network 说明 本项目使用GRU神经网络来对深圳北站附近的12条道路的交通拥堵指数（TTI）进行时序预测。 描述详见赛题说明.pdf。 report.pdf为实验报告。 关键词 时序预测 XGBoost ARiMA GRU Network 说明 本项目使用GRU神经网络来对深圳北站附近的12条道路的交通拥堵指数（TTI）进行时序预测。 描述详见赛题说明.pdf。 report.pdf为实验报告。 关键词 时序预测 XGBoost ARiMA GRU Network 说明 本项目使用GRU神经网络来对深圳北站附近的12条道路的交通拥堵指数（TTI）进行时序预测。 描述详见赛题说明.pdf。 report.pdf为实验报告。

基于卷积神经网络模型的环境声音识别系统源代码。基于卷积神经网络的环境声音识别系统，语言python，模型框架：keras==1.12，声音提取函数MFSC，识别准确率最高可达90%，平均准确率86%，高于目前主流的环境声音识别系统。基于卷积神经网络的环境声音识别系统，语言python，模型框架：keras==1.12，声音提取函数MFSC，识别准确率最高可达90%，平均准确率86%，高于目前主流的环境声音识别系统。基于卷积神经网络的环境声音识别系统，语言python，模型框架：keras==1.12，声音提取函数MFSC，识别准确率最高可达90%，平均准确率86%，高于目前主流的环境声音识别系统。基于卷积神经网络的环境声音识别系统，语言python，模型框架：keras==1.12，声音提取函数MFSC，识别准确率最高可达90%，平均准确率86%，高于目前主流的环境声音识别系统。基于卷积神经网络的环境声音识别系统，语言python，模型框架：keras==1.12，声音提取函数MFSC，识别准确率最高可达90%，平均准确率86%，高于目前主流的环境声音识别系统。

基于多输入输出神经网络模型传感器故障检测源代码.。传感器数据使用仿真数据，共有7个输入和4个输出，分别是： CS_angle：操纵面偏转量（机翼）单位：度； F_alt：飞行高度 单位：米 rate_HC：高度变化速率 单位：米/秒 P_angle：俯仰角 单位：度 Windspeed：风速 单位：米/秒 Airspeed：空速 单位：节 Engine_thrust：引擎推力 单位：千克 Attack_angle：迎角 单位：度 P_rate：俯仰角速率 单位：度/秒 Roll_rate：滚转角速率 单位：度/秒 Yaw_rate：偏航角速率 单位：度/秒传感器数据使用仿真数据，共有7个输入和4个输出，分别是： CS_angle：操纵面偏转量（机翼）单位：度； F_alt：飞行高度 单位：米 rate_HC：高度变化速率 单位：米/秒 P_angle：俯仰角 单位：度 Windspeed：风速 单位：米/秒 Airspeed：空速 单位：节 Engine_thrust：引擎推力 单位：千克 Attack_angle：迎角 单位：度 P_rate：俯仰角速率 单位：度/秒 Roll_ra

基于神经网络模型对具体病症的诊疗与分析项目源代码。 将临床上特应性皮炎患者不可描述的自然语言处理成可量化、可统计的数据，建立特应性皮炎患者的数据库，找出他们其中的相似点和共通点，并搭建神经网络模型，使用现有数据对模型进行训练，最终实现自动诊疗并导出病人治疗方案。 本项目创新点在于通过NLP对医院电子病例中自然语言进行数据化格式化处理，解决了自然语言由于其目标表示的复杂性、映射类型的多样性等特点造成的语义和语法的模糊性，帮助医院制定个性化治疗方案。 将临床上特应性皮炎患者不可描述的自然语言处理成可量化、可统计的数据，建立特应性皮炎患者的数据库，找出他们其中的相似点和共通点，并搭建人工神经网络，使用现有数据对模型进行训练，最终实现自动诊疗并导出病人治疗方案。 本项目创新点在于通过NLP对医院电子病例中自然语言进行数据化格式化处理，解决了自然语言由于其目标表示的复杂性、映射类型的多样性等特点造成的语义和语法的模糊性，帮助医院制定个性化治疗方案。

Pytorch实现全连接神经网络模型和卷积神经网络训练MNIST数据集 Pytorch实现全连接神经网络模型/卷积神经网络训练MNIST数据集，并将训练好的模型在自己的手写图片数据集上测试 目录说明： CNN文件夹是用来保存卷积神经网络模型代码，其中model.py,my_dataset.py是被自动调用的，都不需要运行 FC文件夹是用来保存全连接神经网络模型代码，其中model.py,my_dataset.py是被自动调用的，都不需要运行 dataset文件夹是保存MNIST官方数据集的文件夹，不需改动 images文件夹是用来保存REAEDME.md文件中引用的图片的，不需改动 my_mnist_dateset文件夹是用来保存自己手写数字图片与标签文件的，自己手写的图片请放在my_mnist_dateset/classify对应的文件夹中 make_ours_dataset.py文件是用来处理my_mnist_dateset文件夹下的图像并生成标签用的 requirements.txt文件是环境配置文件

基于神经网络模型和树莓派的自动驾驶小车项目源代码。小车使用arduino，树莓派等硬件模块，采用摄像头，并使用神经网进行路径识别的自动驾驶。主要设计方法如下，先用arduino、树莓派和摄像头等模块搭建小车。再用树莓派摄像头采集到的图片通过局域网发送到上位机。上位机保存图像，处理后得到训练集。接着，在电脑上训练神经网络模型。得到模型后，运行自动驾驶程序，摄像头捕获图片，上位机接收图像，加载训练模型，解算图像得出控制参数，通过蓝牙发送给arduino，控制小车。 在采集数据的过程中，要保证树莓派和上位机连在同一个网段下。分别运行下面两个代码在上位机端和树莓派端。收集训练数据制作数据集的代码路径如下：上位机端运行的代码：collect_training_data3.py 树莓派端运行的代码：stream_client.py运行训练算法模型的程序，我们就可以将MLP模型通过搜集好的训练数据，在上位机上训练了，执行训练程序后，就可以完成训练，得到参数模型了。训练模型的代码mlp_training.py 训练之后，就可以得到mlp在我们获取的数据集的参数模型了。参数模型的保存路

基于卷积和循环神经网络模型融合的股票开盘价预测研究.docx

神经网络的案例分析及Matlab代码实现，且含有matlab代码