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。

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。

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

文本分类之KNN与SVM融合算法.ppt

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

人工智能-项目实践-植物分类-基于SVM的Plant Seedlings Classification植物分类 基于SIFT特征、颜色特征、HOG特征的SVM分类模型，使用的是传统的特征提取和机器学习的方法。未涉及神经网络等深度学习方法 本模型在Kaggle平台提交后可以达到0.9的Score

卷积神经网络简略版思维导图

libsvm svm.cpp svm.h的注释

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。