在这个模拟中，我提出了一个基于 simulink 的最小均方 (LMS) 算法实现，用于系统识别问题。 LMS 算法是使用基本块实现的。

用于描述移动模型的Matlab源代码，供大家讨论。

程序算法来自2009有关反问题的文章《A fast algorithm for the total variation model of image denoising》

一本介绍交流电机建模的专业书籍，分析很全面透彻。Mukhtar Ahmad编著。

用EM方法求GMM模型的极大似然估计，可以对任意维数的数据进行处理

贝叶斯线性模型 作者：Asher Bender 日期：2015年6月 许可证： 概述 该代码实现了 。 在贝叶斯框架下处理线性模型可以： 参数估计（线性模型的学习系数） 执行预测 选型 下图演示了这些功能，其中的任务是学习噪声函数的多项式逼近： 顶部子图显示了对数据增加复杂度（度）的多项式拟合后的对数边际似然。 对数边际可能性最高的模型由垂直红线标记。 与最大似然方法相比，贝叶斯模型选择的好处是最大化对数边际似然（模型证据）倾向于避免模型选择期间的过度拟合。 这是由于边际似然方程中的模型复杂性损失导致了模型更简单。 最佳模型将在数据拟合和模型复杂性之间取得平衡，从而实现更好的概括性。 底部子图显示了嘈杂的正弦数据（黑点）和来自模型的预测（红色实线），包括95％置信区间（红色虚线）。 背景强度图说明了模型中数据的后验可能性。 底部绘图中使用的模型是顶部绘图中建议的模型。 部分中

LSTM模型在C LSTM模型在C中的实现

mnist手写数字识别model，pb格式。inputs Variable Variable/read Variable_1 Variable_1/read Conv2D add Relu MaxPool Variable_2 Variable_2/read Variable_3 Variable_3/read Conv2D_1 add_1 Relu_1 MaxPool_1 Variable_4 Variable_4/read Variable_5 Variable_5/read Reshape/shape Reshape MatMul add_2 Relu_2 Variable_6 Variable_6/read Variable_7 Variable_7/read MatMul_1 logits softmax

Complex_Convolutional_Neural_Network_Architecture 该存储库进一步体现了我对一些著名的复杂卷积神经网络架构的实现。 这些模型是使用Tensorflow的Keras功能API从零开始开发的，这是一种创建比tf.keras.Sequential API更灵活的模型的方法。 功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。 这种架构使神经网络可以学习深度模式（使用深度路径）和简单规则（通过短路径）。 开发型号清单 从分支悬空模型到深度卷积和点卷积的模型已经进行了实验。 我还实现了U-net，这是专门用于生物医学图像分割的独特体系结构。 最后，我制作了一个自定义的复杂模型，并在上进行了训练。 AlexNet-AlexNet是卷积神经网络的名称，它对机器学习领域产生了重大影响，特别是在将深度学习应用于机器视觉

这个是一个LBO估值模型的setup。标的公司为雅虎，利用2007财年数据。