文件夹包括data子文件夹（里面是用于训练卷积神经网络的CIFAR-10数据集）、CIFAR-10.ipynb（里面是卷积神经网络的实现代码，在jupyter里运行它便可以训练自己的卷积神经网络）。文件夹中其他文件是写代码时我做测试用，不影响对最后的结果，可以不看。代码准确无误，下载后直接运行，不需要改动。

keras-rcnn：用于基于区域的卷积神经网络（RCNN）的Keras软件包

Multilayer neural networks trained with the back-propagation algorithm constitute the best example of a successful gradientbased learning technique. Given an appropriate network architecture, gradient-based learning algorithms can be used to synthesize a complex decision surface that can classify high-dimensional patterns, such as handwritten characters, with minimal preprocessing. This paper reviews various methods applied to handwritten character recognition and compares them on a standard handwritten digit recognition task. Convolutional neural networks, which are specifically designed to deal with the variability of two dimensional (2-D) shapes, are shown to outperform all other techniques. Real-life document recognition systems are composed of multiple modules including field extraction, segmentation, recognition, and language modeling. A new learning paradigm, called graph transformer networks (GTN’s), allows such multimodule systems to be trained globally using gradient-based methods so as to minimize an overall performance measure. Two systems for online handwriting recognition are described. Experiments demonstrate the advantage of global training, and the flexibility of graph transformer networks. A graph transformer network for reading a bank check is also described. It uses convolutional neural network character recognizers combined with global training techniques to provide record accuracy on business and personal checks. It is deployed commercially and reads several million checks per day.

matlab如何找k-means源代码该网站包含用于使用WiFi进行手语识别的通道状态信息（CSI）轨迹的数据集。 引用论文 马永森，周刚，王双权，赵宏阳和荣伍伯。 2018年。SignFi：使用WiFi进行手语识别。 程序。 ACM互动。 暴民。 可穿戴的无处不在的技术。 2，1，第23条（2018年3月），共21页。 DOI： 读者还可以查看以下文章，以获取有关通过通道状态信息进行WiFi感应的更多详细信息。 马永森，周刚和王双权。 2019。带有信道状态信息的WiFi传感：一项调查。 ACM计算。 生存52，3，Article 46（2019年6月），36页。 DOI： 档案文件 该存储库包含以下文件。 您同意下载并使用这些文件。 档案文件 描述 尺寸 在实验室环境中，针对276个签名字的分段下行链路CSI迹线和地面真相标签。 一个用户执行了5,520个276个手势手势的实例。 1.44GB 在实验室环境中，对276个签名字进行了分段的上行链路CSI跟踪和地面真相标签。 一个用户执行了5,520个276个手势手势的实例。 1.33GB 家庭环境中276个符号词的分段下行链路和上行

一个很实用的文档，运用卷积神经网络实现自然语言处理的简单教程。简单介绍了卷积神经网络，以及在自然语言处理领域的应用，附有常见的模型框架。

使用Matlab软件，运用简单卷积神经网络实现手写数字识别。

基于卷积神经网络和PCA的人脸识别

本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算分为镜像相乘相加，卷积层中的卷积没有镜像这一操作，直接是相乘和相加，如下图所示最左边的是卷积的输入，中间的为卷积核，最右边的为卷积的输出。可以发现卷积计算很简单，就是卷积核与输入对应位置相乘然后求和。除了图中绿颜色的例子，我们可以计算一下图中红色圈对应的卷积结果：(-

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强.

提出了一种利用图像深度学习解决无线电信号识别问题的技术思路。首先把无线电信号具象化为一张二维图片，将无线电信号识别问题转化为图像识别领域的目标检测问题；进而充分利用人工智能在图像识别领域的先进成果，提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。基于该思路，提出了一种基于图像深度学习的无线电信号识别算法——RadioImageDet 算法。实验结果表明，所提算法能有效识别无线电信号的波形类型和时/频坐标，在实地采集的12种、4 740个样本的数据集中，识别准确率达到86.04%，mAP值达到77.72，检测时间在中等配置的台式计算机上仅需33 ms，充分验证了所提思路的可行性和所提算法的有效性。