实体关系抽取旨在识别网络文本中的实体，并提取出文本中实体之间隐含的关系。研究表明，深度神经网络在实体关系抽取任务上具有可行性，并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外，LSTM虽然考虑了长距离词的相关性，但提取特征不够充分。针对这些问题，提出了一种CNN和LSTM结合的实体关系抽取方法，采用3种结合方法进行了实验，验证了该方法的有效性，在F1值上有一定的提升。

基于MTCNN的人脸检测，口罩检测，训练，标注， PyTorch+python 说明文档 基于深度学习的口罩检测 是否戴口罩，分类，警报

为了进一步提高网络异常检测的准确率, 本文在对现有入侵检测模型分析的基础上, 提出了一种基于卷积神经网络和支持向量机的网络报文入侵检测方法. 该方法首先将数据预处理成二维矩阵, 为了防止算法模型过拟合, 利用permutation函数将数据随机打乱, 然后利用卷积神经网络CNN从预处理后的数据中学习有效特征, 最后通过支持向量机SVM分类器将得到的向量进行分类处理. 在数据集选择上, 采用网络入侵检测常用的权威数据集—京都大学蜜罐系统数据集, 通过与GRU-Softmax、GRU-SVM等现有检测率较高的模型进行实验对比, 该模型在准确率上最高分别提高了19.39% 和12.83%, 进一步提升了网络异常检测的准确度. 同时, 本研究所提出方法在训练速度和测试速度上有较大提高.

inaSpeechSegmenter inaSpeechSegmenter是一个基于CNN的音频分段工具包。 它将音频信号分成语音，音乐和噪音的均匀区域。 语音区域分为使用说话者性别（男性或女性）标记的片段。 男性和女性分类模型针对法语进行了优化，因为他们是使用法语说者进行培训的（说话者性别的声学相关性取决于语言）。 对应于音乐之上的语音或噪声之上的语音的区域被标记为语音。 设计inaSpeechSegmenter的目的是基于男女语音时间百分比估计来执行。 安装 inaSpeechSegmenter是python 3中的框架。仅支持大于或等于3.6的python版本。 可以使用以下过程进行安装： 先决条件 inaSpeechSegmenter需要ffmpeg才能解码任何类型的格式。 可以使用以下命令行完成ffmpeg for ubuntu的安装： $ sudo apt-get in

LCTFP：基于 CNN 和 LSTM 的高速公路交通流量预测模型(python代码) 车站内运行脚本的各个站点的一个半小时内的交通流数据。txt 运行数据_preprocess py。包括读取的所有文件txt。原来的处理数据：数据采集​​、归一化处理时间、处理顺序。 LCTFP使用模型1D CNN + LSTM的组合结构对暴露短时交通流进行预测。1D CNN使用学习时短交通流的空间特征，LSTM使用学习时交通流的时间特征。脚本cnn_lstm_param.py可进行超参数搜索，运行前需安装hyperas。

平台环境是基于Python + TensorFlow下的CNN训练，CNN全称卷积神经网络是当前图像处理最常用的方法之一。 首先准备自己的正面照片100张，使用dlib自带的frontal_face_detector作为我们的特征提取器，把100张照片中的人脸按照长宽64*64提取出来 input_dir = './origin' #100张原始照片 output_dir = './out' #提取人脸的照片 size = 64 # 提取照片大小 #使用dlib自带的frontal_face_detector作为我们的特征提取器 detector = dlib.get_frontal

主要介绍了tensorflow基于CNN实战mnist手写识别(小白必看),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

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。

基于CNN的目标识别的matlab仿真.matlab2021a仿真测试

基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预