剩余使用寿命（RUL）预测在预测和健康管理（PHM）中起着至关重要的作用，以提高可靠性并降低众多机械系统的周期成本。 深度学习（DL）模型，尤其是深度卷积神经网络（DCNN），在RUL预测中正变得越来越流行，从而在最近的研究中取得了最新的成果。 大多数DL模型仅提供目标RUL的点估计，但是非常需要为任何RUL估计具有关联的置信区间。 为了改进现有方法，我们构建了一个概率RUL预测框架，以基于参数和非参数方法来估计目标输出的概率密度。 模型输出是对目标RUL的概率密度的估计，而不仅仅是单点估计。 所提出的方法的主要优点是该方法自然可以提供目标预测的置信区间（不确定性）。 我们通过一个简单的DCNN模型，在公开可用的涡轮发动机退化模拟数据集上验证了我们构建的框架的有效性。 源代码将在https://github.com/ZhaoZhibin/Probabilistic_RUL_Prediction中发布。

matlab2017a代码标题：在CIFAR 10上使用CNN的目标检测和图像分类 以下过程说明了如何运行给定的代码：####################################### ################################# 先决条件： 安装了Anaconda软件的系统链接： 要打开您的工作区，请键入以下内容，然后导航到保存代码的文件夹。 jupyter笔记本 已安装Matlab 2017a版本的系统。 ################################################ ####################### 代码结构： AlexNet/ -- data/results/ -- stats_alexnet_testing.mat -- stats_alexnet_validation.mat -- Logs/out_train_alexnet_cifar10_875643.cph-m1.uncc.edu -- AlexNet_Tester.m -- AlexNet_Trainer.m --

卷积神经网络LeNet5 C语言源码，可以更改成自己的模型。

本代码为FCN的keras实现，供初学者学习使用，因为要恰饭所以设置收费，学生党可以在原文下留言，我可以发到你邮箱 原文连接：https://blog.csdn.net/weixin_42834786/article/details/121257711

为进一步提高卷积神经网络的训练速度，减少训练成本，建立了量子门组卷积神经网络模型（Quantum Gate Convolutional Neural Network，QGCNN）。为了构建QGCNN网络结构，依据传统CNN结构的特点，给出卷积算术线路（Convolutional Arithmetic Circuit，ConvAC）的定义。用张量分解来说明ConvAC的权值系数之间的关系，为构建QGCNN提供理论依据。将QGCNN分为输入表示层、隐藏层和输出层，在此基础上实现对数据进行量子编码，利用量子门组完成数据初始化，网络参数更新等操作。将QGCNN应用到数字手写体识别中，实验结果表明，该方法在手写体识别的准确率和收敛速度上有不错的效果。

convnet 的直接卷积神经网络FPGA实现纯C ++，与MNIST数据集。 在OpenCL优化版本中实现。 这里是我的介绍，并就其报告。

用卷积滤波器matlab代码隐写分析 GBRAS-Net：用于空间图像隐写分析的卷积神经网络体系结构 深度学习（DL）的进步为解决各种复杂问题提供了替代方法，包括使用卷积神经网络（CNN）进行空间图像隐写分析的领域。 近年来，已经开发了几种CNN体系结构，这些体系结构提高了隐写图像的检测精度。 这项工作提出了一种新颖的CNN架构，其中包括使用滤波器组增强隐写噪声的预处​​理阶段，使用深度和可分离卷积层的特征提取阶段以及跳过连接。 使用具有不同实验设置的BOSSbase 1.01和BOWS 2数据集评估性能，包括自适应隐写算法，即WOW，S-UNIWARD，MiPOD，HILL和HUGO。 在所有实验环境中，我们的结果都优于过去几年发表的作品。 这项工作提高了所有算法和每像素比特数（bpp）的分类精度，在WOW达到0.2 bpp时达到80.3％，在WOW达到0.4 bpp时达到89.8％，在S-UNIWARD上达到73.6％和87.1％（分别为0.2和0.4 bpp），使用BOSSbase 1.01测试数据，MiPOD（0.2和0.4 bpp）分别为68.3％和81.4％，HILL（0.

很全面，很深刻的卷积神经网络（CNN）原理讲解。

利用PyTorch实现卷积神经网络LeNet-5，详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121289390

随着计算机视觉近几年的发展, 相关工作者越来越侧重人工智能算法在电力安全管控系统的实际应用. 本文针对电力检修工作人员安全带规范问题, 基于Mask R-CNN算法提出了一种新型高空作业安全带低挂高用违规检测算法, 实时高效率完成作业者安全带违规检测问题. 针对安全带挂环违规现象的复杂性和场景多变性等问题, 本文提出实用于安全带检测和人体关键点信息相结合检测的Mask-Keypoints R-CNN新型高空作业安全带违规挂法的检测方法, 该算法基于人体关键点定位检测模块进行裁剪人体关键部位有用安全带数据集, 结合安全带检测模块进行判断作业人员违规情况, 算法本身具有很强的实用性和高效性, 并取得了较高的精确率.