基于SVM与CNN的ECG信号心律失常诊断论文

针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要，文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码，对编码后的数据进行预处理从而得到特征向量。以特征向量为基础，构建相应的卷积神经网络模型，实现对电力变压的故障诊断。实验结果表明，相较于其他传统机器学习算法，文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势，能够有效保障电力系统运行的可靠性。

在通过嘴部进行人机交互的场景下，外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源，提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测，首先将同一卷积块不同卷积层输出的特征图结合，然后对不同的卷积块按元素进行求和操作，在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征，从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明，相比于原始的Faster R-CNN，对嘴部的检测准确率提高了8%，对环境的适应性更强.

人脸识别是自1960年以来的一项创新性创新，并定期采用不同的真实应用程序来增强其策略。 为了增强人脸确认的执行，已经创建了许多计算和方法。 到目前为止，针对桌面应用程序的深度学习已进行了广泛的研究。 卷积神经网络可以与最终目标一起使用，以提取重要的面部高光。 这些亮点被允许以富有成效的方式考虑它们之间的外观。 该框架可以准备好感知个人的安排。 我们提供了可以利用此人脸识别创新进行生产的不同应用程序。 本文的目的是通过使用各种接近度估计（相似度指数），研究在各种障碍条件下利用图像进行的深度CNN设计在人脸识别中的实用性。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

植物病害分类 植物病害分类的数据集分析和CNN模型优化 如何探索这项工作 阅读或格式的报告。 阅读的代码。 在Kaggle notebook 中运行代码。 扩展摘要 问题 对影响农作物的多种疾病的误诊会导致化学药品的滥用，导致耐药菌病原体的出现，投入成本的增加以及更多爆发，造成重大的经济损失和环境影响。 当前基于人类侦察的疾病诊断既耗时又昂贵，尽管基于计算机视觉的模型有望提高效率，但由于受感染组织的年龄、遗传变异和树木内的光照条件而导致的症状差异很大检测精度。 目标 我们参加的植物病理学挑战包括使用训练数据集的图像训练模型以 准确地将测试数据集中的给定图像分类为不同的患病类别或健康的叶子； 准确区分许多疾病，有时在一片叶子上不止一种； 处理罕见的类别和新的症状； 解决深度感知——角度、光线、阴影、叶子的生理年龄； 结合识别、注释、量化方面的专家知识，引导计算机视觉在学习过

CNN加速器 卷积神经网络加速器硬件单元 CNN加速器的卷积和池化层算法的详细设计。 该系统适用于灰度图像（每个像素的范围在0到255之间）。 该项目的主要目标是构建加速器模块。

mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :

嵌入式CNN 使用SDSOC和Xilinx Ultrascale +平台在嵌入式OS中部署CNN加速器。 平台 SDx：2018.1 电路板：Xilinx Ultrascale + ZCU 102 FPGA系统 数据类型：现在只有float16！ 工作频率：300MHz 数据运动网络频率：300MHz 版本 转换v0.0： 这个版本需要很长时间（大约11秒）。 由于某些转换层中的参数无法完全加载到片上mem中，因此必须从DDR多次读取它们到FPGA。 因此，在数据通信上花费大量时间。 转换v0.1： 此版本需要9秒钟才能运行转换层。 与conv.v0.0相比，权重缓冲区更大，可以将更多权重读取到片上mem中。 对于conv1 / conv2 / conv3，所有权重都可以一次加载到片上mem中。 对于conv4 / conv5，权重缓冲区一次只能读取1/4权重。 因此，在conv

Matlab CNN代码详解可解释的卷积神经网络 python代码已在发布，尽管我的研究小组未实现该代码。 下面的Matlab代码是与论文对应的原始代码。 介绍 本文提出了一种将传统卷积神经网络（CNN）修改为可解释的CNN的方法，以阐明CNN的高卷积层中的知识表示。 在可解释的CNN中，高转换层中的每个过滤器代表某个对象部分。 我们不需要对象部分或纹理的任何注释来监督学习过程。 相反，可解释的CNN在学习过程中会自动在高转换层中为每个过滤器分配一个对象部分。 我们的方法可以应用于具有不同结构的不同类型的CNN。 可解释的CNN中清晰的知识表示可以帮助人们理解CNN内部的逻辑，即，基于CNN做出决定的模式。 实验表明，可解释的CNN中的过滤器比传统CNN中的过滤器在语义上更有意义。 引文 如果使用此代码，请引用以下两篇论文。 张全世，吴应年和朱松春，“可解释的卷积神经网络”，在CVPR 2018中 张全石，王鑫，吴应年，周慧琳和朱松春，“可移植的CNN用于对象分类”，《 IEEE模式分析和机器智能交易》，2020年。DOI：10.1109 / TPAMI.2020.2982882 代码