卷积（Convolve）算法在TMS320C5402上的实现（C语言编写）使用了convol库函数。

介绍了LTE系统中的咬尾卷积编码器，分析了该编码器的增益，在众多译码算法的基础上研究咬尾卷积码的几种译码算法，通过MATLAB对这几种译码算法在不同信道环境、不同长度数据块的情况下进行性能仿真，并对仿真结果进行分析。从性能和复杂度这两个角度考虑， 两步维特比算法较适合作为LTE通信系统中咬尾卷积码的译码方法。

基于深度卷积神经网络的服装图像分类检索算法

提出了一种基于卷积神经网络的前方车辆检测方法。首先，根据车底阴影特征，运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域，以解决路面灰度分布不均及光照条件变化问题；其次，运用针对道路交通环境的卷积神经网络结 构，建立图像样本库进行网络训练；在此基础上，采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域，进而确定真正的车辆目标；最后，修改网络为三分类识别，以验证本文方法的强扩展性的优势。实验结果表明：本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰，有效地提高车辆检测的准确率和可靠性，降低误检率。

本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！

学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

基于PYNQ-Z2实现手写数字识别卷积神经网络硬件加速器.zip

基于边界框回归损失的目标检测器以其简单、高效的特点被广泛应用于计算机视觉领域。损失函数中定位算法的精度会影响网络模型检测结果的平均精度。我们在Complete Intersection over Union(CIoU)损失函数的基础上提出了一种改进的提高定位精度的算法。具体来说，该算法在于更全面的考虑预测框和真值框的匹配，利用预测框与真值框高宽比尺寸的比例关系，在真值框和预测框对应的宽高比值相同条件下，考虑预测框对定位精度的影响因素，这样强化了惩罚函数的作用，提高了网络模型的定位精度。我们称这个损失函数是Improved CIoU (ICIoU)。在Udacity, PASCOL VOC(Pascal Visual Object Classes)和MS COCO(Microsoft Common Objects in Context)数据集上的实验，证明了ICIoU用于单级目标检测器YOLOv4在提高模型定位精度方面的有效性。所提出的ICIoU算法相比IoU可以在Udacity测试开发上显著提高AP 1.92%和AP75 3.25%。它还可以在PASCAL VOC上显著提高AP 1.7

本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！ 参考文献 [1] 李鹏, 孔凡让, 何清波. 齿轮箱状态监测中的振动信号多标度分析[J]. 计算机工程, 2011, 37(14):242-244. [2] 杨永灿, 刘韬, 柳小勤,等. 基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断 [J]. 机械与电子, 2021, 39(10):6. [3] 梁睿君, 冉文丰, 余传粮,等. 基于 CWT-CNN 的齿轮箱运行故障状态识别[J]. 航空动 力学报, 2021, 36(12):9. [4] 吴春志, 江鹏程, 冯辅周,等. 基于一维卷积神经网络的齿轮箱故障诊断[J]. 振动与冲 击, 2018, 37(22):6.

3D 三维卷积神经网络CNN(MATLAB).zip 3D 三维卷积神经网络CNN(MATLAB).zip