matlab弹跳球代码使用 LSTM 的事件分割理论探索 该项目旨在测试将长短期记忆 (LSTM) 神经网络应用于事件分割理论的合理性。 分析了弹跳球模型以展示 LSTM 神经网络如何编码和存储信息。 Research Gate 中的以下报告是我的硕士论文，描述了详细信息。 出版物 ： 文件夹的内容 Java代码文件夹包含Java项目，基本上是仿真工具的主体。 有 1、2 和 3 维的弹跳球模型。 Matlab 代码文件夹包含用于绘图和绘图的文件。 大多数图用于在项目期间进行测试和实验，因此如果您只想检查图是如何生成的，则可以忽略不计。 文件夹中的 MatLab 代码是我完成论文时使用的原始代码。 但不应再使用和修改它们。 Matlab 代码包含完整的 Matlab 代码集，用于生成论文中使用的所有绘图和数据。 包括绘制门的非线性的那些。 检查 Wiki 以获取每个 Java 项目的更多信息。

为了实现更加稳健和精准的门诊量预测，构建了一种基于SARIMA-LSTM的门诊量预测模型。该方法首先使用SARIMA模型对门诊量进行单指标建模，提取门诊量指标蕴含的周期、趋势等信息，然后构建了以节日天数、法定上班天数、平均最高气温等多个相关指标为输入的多对一LSTM模型，对SARIMA模型残差进行进一步学习，实现残差与多个变量间的非线性关系抽取。实证结果表明，构建SARIMA-LSTM混合模型相较5种主流预测方法具有更高的一步预测精度，具有较好的实际应用价值。

卷积神经网络；分类识别；数据增强与预处理；实时检测；

卷积神经网络在字符识别方面的应用.doc

基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CNN5 / DenseNet+BLSTM_LSTM+CTC 来实现验证码识别 基于 CN

晶圆图模式分类 1.数据说明 WM-811K数据集 在实际制造中从46393个批次中收集了811457个晶圆图 172950个晶圆被领域专家标记。 9种缺陷模式类别（中心，甜甜圈，边缘环，边缘局部，局部，随机，近满，划痕） 删除了四个裸片少于100个的异常晶圆图（无图案类） 2.手动特征提取方法 1]特征提取 1）密度特征 晶圆图分为13个区域（4个边缘区域，9个中心区域） 每个区域的缺陷密度用作密度特征 13个提取的特征 2）几何特征 通过噪声过滤提取显着区域 基于最大面积的显着区域，提取六个几何特征周长，面积，短轴长度，长轴长度，坚固性和偏心率 6个提取的特征 3）features功能 通过radon变换创建根据一系列投影创建晶圆图的二维表示 应用三次插值以获得相同数量的行。 根据radon转换的结果和提取的行平均值得出20行 行标准差 每行 40个提取的特征 总共59个

【图像识别】猫狗识别（CNN）-附件资源

基于MTCNN的人脸检测，口罩检测，训练，标注， PyTorch+python 说明文档 基于深度学习的口罩检测 是否戴口罩，分类，警报

matlab代码放大 PyTorch版本 抽象的 基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方法都有其各自的优缺点，例如，基于模型的优化方法可灵活地处理不同的逆问题，但出于性能良好的目的，通常以复杂的先验条件耗时； 同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。 最近的工作表明，借助可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他反问题（例如，去模糊）。 当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。 但是，仍然缺乏与快速判别去噪器集成的研究。 为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中，以解决其他逆问题。 实验结果表明，学习的去噪器集不仅可以实现有希望的高斯去噪结果，而且可以用作为各种低级视觉应用提供良好性能的先决条件。 基本思想 借助可变分裂技术，例如乘数交替方向方法（ADMM）和半二次分裂（HQS）方法，可以分别处理一般图像恢复公式的保真度项和正则项项，尤其是正则化项仅对应于降噪子问题。 因此，这可以将任何区分式去噪

matlab深度学习工具箱之LSTM， 采用历史序列进行预测， MATLAB应用实例 直接采用工具箱进行序列预测