提取声音信号的MFCC作为特征，利用CNN对五种动物信号完成分类。

时序预测 | MATLAB实现LSTM时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上，可以实现未来100个值的预测。

Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载链接，大家也可以去噼里啪啦教程中给定的链接进行下载。 详细标注过程，及模型训练见教程。

深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐

数据融合matlab代码基于CNN的多模式步态识别 弗朗西斯科·卡斯特罗（Francisco M. Castro）和曼努埃尔·J·马林·吉梅内斯（Manuel J.Marin-Jimenez） 此代码在TUM-GAID和CASIA-B的正常情况下运行测试。 对于其他情况，您只需下载数据集并构建相应的imdb。 该代码随附的模型为： 基于3D卷积的CNN，使用光流作为TUM-GAID的输入 基于3D卷积的CNN，可对TUM-GAID进行光流，灰度和深度模态的融合。 基于CNN的ResNet，使用灰色作为CASIA-B的输入。 基于3D卷积的CNN，可对CASIA-B进行光流和灰度的融合。 先决条件 MatConvNet库： MexConv3D（用于3D转换）： 将测试数据和模型下载到各自的文件夹中。 链接位于每个文件夹中的README文件中 该代码已经在Ubuntu 18.04和Matlab 2017b上进行了测试。 快速开始 假设您已将cnngaitmm库放置在文件夹 。 启动Matlab并键入以下命令： cd startup_cnngait demo_T

卷积神经网络简略版思维导图

时序预测 | MATLAB实现CNN(卷积神经网络)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

用CNN识别验证码的实用教程，从数据标定到搭建服务， tensorflow captcha recognization practical tutorial

CNN可以很好地识别数据中的简单模式，然后使用这些模式在更高的层中形成更复杂的模式。当您希望从整体数据集的较短(固定长度)片段中获得有趣的特征，且特征在片段中的位置相关性不高时，1D CNN非常有效。 这适用于传感器数据(如陀螺仪或加速度计数据)的时间序列分析。它还适用于分析固定长度周期内的任何类型的信号数据(如音频信号)。另一个应用程序是NLP(尽管在这里LSTM网络更有前途，因为单词的接近程度可能并不总是一个可训练模式的良好指示器) 博客地址：https://blog.csdn.net/weixin_38346042/article/details/121742025?spm=1001.2014.3001.5501