简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)

关于卷积码如何编码的文档，写的很好，对这方面有兴趣的可下载学习 。

卷积码是深度空间通信系统和无线通信系统中常用的一种差错控制编码。它克服了分组码由于以码块为单位编译码而使分组间的相关信息丢失的缺点。（2，1，8）卷积码在2G、3G通信系统中得到了广泛的运用。CDMA/IS-95系统的前向信道[3]、CDMA20001x的前反向链路都使用了生成多项式为（561，753）码率为1/2的（2，1，8）卷积码。针对目前卷积码译码器占用资源较多，最高工作频率较低的缺点，本文设计了一种新的基于FPGA的（2，1，8）卷积码译码器。该译码器工作频率高，输出时延小，占用资源少。 　　1  （2，1，8）卷积码译码器的总体设计 　　本文所实现的（2，1，8）卷积码译码器是

本文基于FPGA技术设计了一种（2，1，8）卷积码的硬判决维特比译码器。该译码器以FPGA片内的寄存器作为路径度量和幸存路径的存储单元，经分析得出了路径度量单元的最小位宽，有效降低了对芯片资源的消耗。采用截短译码算法，降低了硬件的复杂度。采取了一种巧妙的方法实现了译码器的启动过程单元。

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.

多了一个全连接层,也就是在VGG的第五层加上三层全连接,其中前五层的Weight和Bias直接用VGG的参数当做初始值(迁移学习),后面三层参数高斯初始化设置. 然后使用三层"反卷积"接在第八层之后,这里的参数都是使用高斯初始化的.最后得到和输入图一样大小的图(end to end) 如何训练?这里比较麻烦,我看见网上很多人在问这个问题,我刚开始也一直纠结.

时序预测 | MATLAB实现CNN(卷积神经网络)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

基于关键帧双流卷积网络的人体动作识别方法

深度神经网络在静态图像领域已取得突破性进展,并逐步扩展到视频识别领域。人体动作识别是视频识别领域的研究热点和难点,因此,提出了一种基于双流快速区域卷积神经网络(Faster RCNN)改进的人体动作识别算法。首先,用RGB(Red,Green,Blue)图像和光流数据作为网络的输入,分别训练Faster RCNN;然后,将训练好后的网络模型进行融合,并引入改进的压缩和激励模块对特征通道进行处理,以突出重要特征;最后,用完全的交并比损失函数作为边框回归损失函数,以优化某些预测框与真实框不能相交等问题。实验结果表明,相比传统的Faster RCNN,本算法在动作识别数据集UCF101上的准确率得到了一定的提高。

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求。