高光谱分解 卷积神经网络的高光谱图像分解(无分叉,半成品) 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项: pip install -r requirements.txt 用法 在设置参数后,在终端中输入以下命令: python run.py 更多细节: 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集:数据集中的Jasper Ridge(jasper),Urban(urban)/ data.npy:高光谱数据文件。 data_gt.npy:基本事实文件。 data_m.npy:端成员文件。 更新:2021年2月10日
2023-02-28 16:03:11 21.01MB hyperspectral-image hyperspectral-unmixing Python
1
具有React扩散项的神经网络的图灵不稳定性和模式形成
2023-02-28 09:29:43 801KB 研究论文
1
训练集数据提供了4个电场的脱敏后的环境数据和电场实际辐照度和电场发电功率。测试集数据提供了4个电场的脱敏后的环境数据,需要利用这些数据预测每个时间点的光伏发电功率。注意: 为了贴近实际应用,环境数据提供的是预测值,不是实测值,训练集中的电场实际辐照度和电场实际发电功率为脱敏后的实测值。 训练集和测试集的描述如下: 训练集有train_1.csv, train_2.csv, train_3.csv, train_4.csv共4个文件,测试集有test_1.csv,test_2.csv,test_3.csv,test_4.csv共4个文件,分别为电场1,电场2,电场3,电场4的训练集数据和测试集数据。 补充说明: 1.实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2.实发幅照度中的负值视为噪声数据。
1
Matlab神经网络与模糊控制-神经网络与模糊控制.part4.rar 神经网络与模糊控制
2023-02-25 13:50:24 721KB matlab
1
In matlab, the optimization process based on BP neural network combined with genetic algorithm includes the problem description of text documents.
如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题,全面总结了现有基于深度神经网络的少样本学习方法,涵盖了方法所用模型、数据集及评估结果等各个方面。具体地,针对基于深度神经网络的少样本学习方法,提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别;对于每个类别,进一步将其分为几个子类别,并且在每个类别与方法之间进行一系列比较,以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性,并指出了少样本学习研究领域未来的研究方向。
2023-02-24 00:24:12 1.56MB 少样本学习 数据增强 迁移学习
1
提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像(fMRI)进行特征分析,从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据,首先利用快速傅里叶变换将数据从时域转换到频域,并利用Fisher线性判别方法选择有效的频率信息,然后利用改进的卷积神经网络对选择频域数据进行特征学习,自动提取出有效的特征并进行分类。实验结果表明,提出的方法有助于ADHD患者的判别,为基于fMRI数据的ADHD研究提供了新的手段。
2023-02-23 21:53:50 282KB 卷积神经网络
1
基于人工神经网络(ANN)技术,采用MATLAB作为开发平台,建立了激光熔覆参数与熔覆层特征及性能之间的关系模型。模型以激光功率、扫描速度、光斑直径、涂层成分配比作为输入参数,以熔覆层硬度、熔覆层宽度和高度作为输出参数,对熔覆层的特征与性能进行了预测。结果表明,该模型的平均误差较小,网络训练后检验精度较高,具有较好的预测能力。该模型能够用于预测铝合金表面激光熔覆层的特征与性能。
2023-02-23 18:33:09 1007KB 激光技术 激光熔覆 铝合金 人工神经
1
基于BP神经网络的Al2O3-TiC复合陶瓷刀具力学性能预测,谷美林,高洁,针对复合陶瓷刀具材料的力学性能受很多因素影响的情况,利用人工神经网络的BP算法,结合MATLAB神经网络工具箱,建立了Al2O3-TiC复合陶�
2023-02-23 18:28:31 606KB 首发论文
1