卷积码译码器的论文，对毕业设计很有用，可以仿真的。

1.该代码属于无线通信信道编码卷积码不同码元信噪比（EbNo）下的的MATLAB代码，可完全运行 2.通信框图为：比特-卷积码编码-BPSK映射-高斯噪声-硬判决/软判决-Viterbi译码器 3. 代码可完全运行，且可以更改码元个数参数，设置信噪比

开发环境： Pycharm + Python3.6 + 卷积神经网络算法 基于人脸表面特征的疲劳检测，主要分为三个部分，打哈欠、眨眼、点头。本实验从人脸朝向、位置、瞳孔朝向、眼睛开合度、眨眼频率、瞳孔收缩率等数据入手，并通过这些数据，实时地计算出驾驶员的注意力集中程度，分析驾驶员是否疲劳驾驶和及时作出安全提示。 视觉疲劳检测原理：因为人在疲倦时大概会产生两种状态： 眨眼：正常人的眼睛每分钟大约要眨动10-15次，每次眨眼大概0.2-0.4秒，如果疲倦时眨眼次数会增多，速度也会变慢。打哈欠：此时嘴会长大而且会保持一定的状态。因此检测人是否疲劳可以从眼睛的开合度，眨眼频率，以及嘴巴张合程度来判断一个人是否疲劳。 检测工具 dlib ：一个很经典的用于图像处理的开源库，shape_predictor_68_face_landmarks.dat是一个用于人脸68个关键点检测的dat模型库，使用这个模型库可以很方便地进行人脸检测，并进行简单的应用。 眨眼计算原理： （1） 计算眼睛的宽高比 基本原理：计算 眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR

MATLAB漂浮物识别（Cnn卷积神经网络，GUI界面框架）Matlab编程

番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一部分，可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征（例如颜色，叶子边缘等），并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络（CNN）。 所建议的神经网络已被用于分类六种类型的番茄叶片情况（一种健康的叶片植物疾病和五种类型的叶片疾病）。 结果表明，卷积神经网络（CNN）已经实现了96.43％的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力，并使用5兆像素相机从真实农场中获得，因为感染该星球的大多数常

CO2微波重整CH4反应中碳基催化剂积炭特性，李龙之，宋占龙，本文以木质活性炭为催化剂，在微波加热综合实验系统上，研究了催化剂积炭对CO2重整CH4反应的影响，分析了不同微波功率和CH4/CO2比值�

带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。

基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)回归预测，多变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

用于视频中3D人姿估计的图注意力时空卷积网络（GAST-Net） 消息 [2021/01/28]我们更新了GAST-Net，使其能够生成包括关节和脚关节在内的19个关节的人体姿势。 [2020/11/17]我们提供了有关如何从自定义视频生成3D姿势/动画的教程。 [2020/10/15]我们使用单个RGB相机实现了基于在线3D骨架的动作识别。 [2020/08/14]我们实现了实时3D姿态估计。 介绍 时空信息对于解决3D姿态估计中的遮挡和深度模糊性至关重要。 先前的方法集中于嵌入固定长度的时空信息的时间上下文或局部到全局体系结构。 迄今为止，还没有有效的建议来同时灵活地捕获变化的时空序列并有效地实现实时3D姿态估计。 在这项工作中，我们通过注意机制对局部和全局空间信息进行建模，从而改善了人体骨骼运动学约束的学习：姿势，局部运动学连接和对称性。 为了适应单帧和多帧估计，采用了扩张

请输入笛卡尔积的个数:4 请输入第1个笛卡尔积的元素，中间用;分隔开 1;2;3 请输入第2个笛卡尔积的元素，中间用;分隔开 a;b 请输入第3个笛卡尔积的元素，中间用;分隔开 A;B;C;D 请输入第4个笛卡尔积的元素，中间用;分隔开 !;@ 笛卡尔积为: 1;a 1;b 2;a 2;b 3;a 3;b 1;a;A 1;a;B 1;a;C 1;a;D 1;b;A 1;b;B 1;b;C 1;b;D 2;a;A 2;a;B 2;a;C 2;a;D 2;b;A 2;b;B 2;b;C 2;b;D 3;a;A 3;a;B 3;a;C 3;a;D 3;b;A 3;b;B 3;b;C 3;b;D 1;a;A;！ 1;a;A;@ 1;a;B;！ 1;a;B;@ 1;a;C;！ 1;a;C;@ 1;a;D;！ 1;a;D;@ 1;b;A;！ 1;b;A;@ 1;b;B;！ 1;b;B;@ 1;b;C;！ 1;b;C;@ 1;b;D;！ 1;b;D;@ 2;a;A;！ 2;a;A;@ 2;a;B;！ 2;a;B;@ 2;a;C;！ 2;a;C;@ 2;a;D;！ 2;a;D;@ 2;b;A;！ 2;b;A;@ 2;b;B;！ 2;b;B;@ 2;b;C;！ 2;b;C;@ 2;b;D;！ 2;b;D;@ 3;a;A;！ 3;a;A;@ 3;a;B;！ 3;a;B;@ 3;a;C;！ 3;a;C;@ 3;a;D;！ 3;a;D;@ 3;b;A;！ 3;b;A;@ 3;b;B;！ 3;b;B;@ 3;b;C;！ 3;b;C;@ 3;b;D;！ 3;b;D;@