心脏听诊是先天性心脏病（简称:先心病,CHD）初诊和筛查的主要手段。本项目对先心病心音信号进行分析和分类识别研究,提出了一种基于卷积神经网络的先心病分类算法。本文算法基于临床采集的已确诊先心病心音信号,首先采用心音信号预处理算法提取并组织一维时间域上心音信号的梅尔系数转变成二维特征样本。然后利用卷积神经网络进行分类识别,证实了本文方法有效地提高了心音信号分类的鲁棒性和准确性,有望应用于机器辅助听诊。 心音信号在采集过程中不可避兔地存在一些噪声干扰，干扰由多种原因造成，例如皮肤与传感器的摩獠音、采集环境的背景噪声、患者的呼吸扰动音等噪声干扰，故需对心音信号进行去噪处理，得到噪声较少的心音信号。 MFCC中的梅尔刻度是一种基于人耳对等距的音高变化的感官判断而制定的非线性频率刻度，能较好地反映人耳对声音的特点。

卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检

深度学习算法示例 使用numpy从零开始的带有池层的简单卷积神经网络 技术： Python 3； Jupyter笔记本。 执照 该项目根据MIT许可条款获得许可。

文献检索大作业

1.python程序 2.里面包含了多特征预测的LSTM，单特征的LSTM 3.数据集也在里面 4.数据改好地址可直接运行

C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的特点，提出了四种不同的车牌区域提取方法，经过校正后得到车牌区域候选；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别；搭建和编写了一个完整的工程项目，该项目整合了研究过程中的所有方法的程序实现，可以对数据集进行操作也可实现单张图片的自动识别，体现了端到端和数据驱动的思想。 包含设.计和论.文，

基于YOLOV5的车牌定位和识别源码，识别精度高达92%

ChestX-ray-CNN

随着计算机应用的发展和人们对信息保密意识的增强，人脸识别技术作为一种生物识别技术越来越受到人们的重视。而卷积神经网络的出现大大提高了计算机对图像内容的识别和判断能力，因此我们考虑将卷积神经网络应用于人脸识别技术，形成一套以卷积神经网络为技术核心的人脸识别系统。

大数据蕴含大发展，结合不断提升的高性能计算机更是给机器视觉技术带来日新月异的发展。深度卷积神经网络也正是借着这股力量才大放异彩，其主要应用包括语音识别、图像处理、自然语言处理等。本文就当前大环境下研究了卷积神经网络模型在静态环境下入脸识别领域的应用。相对传统人脸识别方法而言，卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计，仅需要设计一个可行的网络模型，再将大量的人脸训练数据集加载到网络模型中，然后进行自动训练，这样就可以得到很好的识别率。把训练好的模型保存下来，那么这个模型就是一个端到端的人脸特征提取器。该方法虽然操作简单，但是需要根据训练数据集设计合理的网络结构，而且最难的关键点是超参数的调整和优化算法的设计。因此本文结合残差网络和融合网络构建了两个与计算资源和数据资源相匹配的网络模型，并通过反复调整超参数和调试优化器使其在训练集上能够收敛，最终还取得较好的识别率。