mdCNN is a Matlab framework for Convolutional Neural Network (CNN) supporting 1D, 2D and 3D kernels. Network is Multidimensional, kernels are in 3D and convolution is done in 3D. It is suitable for volumetric input such as CT / MRI / video sections. But can also process 1d/2d images. Framework supports all the major features such as dropout, padding, stride, max pooling, L2 regularization, momentum, cross entropy, MSE. The framework Its completely written in Matlab, No dependencies are needed. It is pretty optimized, when training or testing all of the CPU cores are participating using Matlab Built-in Multi-threading. There are several examples for training a network on MNIST, CIFAR10, 1D CNN, and MNIST3d - a special expansion of MNIST dataset to 3D volumes. MNIST Demo will download the dataset and start the training process. It will reach 99.2% in several minutes. CIFAR10 demo reaches about 80% but it takes longer to converge. For 3D volumes there is a demo file that will creates a 3d volume from each digit in MNIST dataset, then starts training on the 28x28x28 samples. It will reach similar accuracy as in the 2d demo This framework was used in a project classifying Vertebra in a 3D CT images. =~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~ To run MNIST demo: Go into the folder 'Demo/MNIST' , Run 'demoMnist.m' file. After 15 iterations it will open a GUI where you can test the network performance. In addition layer 1 filters will be shown. To run MNIST3D demo: Go into the folder 'Demo/MNIST3d' , and run 'demoMnist3D.m' file. =~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~ Check the 'mdCNN documentation.docx' file for more specification on how to configure a network For general questions regarding network design and training, please use this forum https://groups.google.com/forum/#!forum/mdcnn-multidimensional-cnn-library-in-matlab Any other issues you can contact me at hagaygarty@gmail.com Please use matlab 2014 and above

应用中央差分卷积网络（CDCN）进行面部反欺骗 安装 virtualenv -p python3 venv source venv/bin/activate pip install -r requirements.txt 数据准备 参考 [1]于子彤与赵，陈旭与王，泽正与秦，云霄与苏，卓与李，小白与周，冯与赵，国应。 搜索中央差分卷积网络以进行面部反欺骗，doi： ： [2]中央差分卷积网络，doi： ： [3]王则政，赵晨旭，秦云霄，周秋生，齐国俊，万钧，甄磊。 利用时间和深度信息进行多帧脸部反欺骗，doi： ：

基于定点DSP的小波变换快速算法实现、电子技术,开发板制作交流

深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。

代码数据完整，包含超限学习机，单层双层神经网络 %% III. 数据归一化 %% % 1. 训练集 [Pn_train,inputps] = mapminmax(p); Pn_test = mapminmax('apply',ptest,inputps); %% % 2. 测试集 [Tn_train,outputps] = mapminmax(t); Tn_test = mapminmax('apply',ttest,outputps); %% IV. ELM创建/训练 [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,19,'sig',0);

里面包含卷积神经网路的一些基本介绍，还有相关学者的笔记介绍，很适合初学者学习参看卷积神经网络的基本原理

matlab生成维纳过程代码去卷积 一维傅立叶和小波分析工具用于反卷积 要求 八度 用法 小波相关功能： [u, v] = filt(type, p)返回类型为type小波变换中使用的父小波u ， v 。 w = wtrans(z, type, p)使用类型type的父小波返回矢量z的p分辨率小波变换。 z = iwtrans(w, type, p)使用类型type的父小波返回向量w的p分辨率逆小波变换。 如果type和p相同，则iwtrans和wtrans应该彼此iwtrans ，直到出现一些小错误wtrans 。 coeffs(w, p, q)返回第p分辨率小波变换的第q级小波系数。 q可以从1到p+1 。 q = p + 1代表最粗糙的小波电平。 B = getbasismat(type, p, N)生成维度为(p+1)xN的矩阵，其第j行包含基础元素，该元素进行转换以生成用于计算p第j级小波系数的向量长度为N （2的整数次方）的信号的第n分辨率小波变换。 [w, ratiounthres, wnoise] = applythres(w, method, p, thrvec)当提

计算卷积的matlab代码可解释意识指示器（ECI）的源代码 该项目包含与手稿“使用可解释的深度学习将意识从睡眠，麻醉和意识障碍患者中解脱出来”相关的脚本。 编程语言：MATLAB 联系人︰李敏治（） 步骤1：EEG预处理和转换后的数据 将原始EEG信号转换为时空3D矩阵。 第2步：培训CNN 转换后的3D功能在卷积神经网络（CNN）上用于意识的两个组成部分：唤醒和意识。 在每个唤醒和意识状态下，将EEG数据分为两类（低与高）进行训练。 在培训和测试阶段，我们使用了留一法的主题学习法作为迁移学习。 步骤3：测试CNN和计算ECI 输出表明概率是计算ECI的平均值。 最后，计算基于分层相关性传播（LRP）的相关性得分。 等等 散点图，托普图和小提琴图 EEGLAB工具箱可从以下网站免费获得。 CNN和LRP的源代码可从以下网站免费在线获得。 可从下载小提琴情节的源代码。 阴影错误栏的源代码可从下载。

三篇学术论文：基于TensorFlow分布式与前景背景分离的实时图像风格化算法；基于TensorFlow的卷积神经网络的应用研究；基于TensorFlow的交通标识智能识别系统设计

BUET CSE 472机器学习最终项目 利用卷积神经网络识别和识别水稻病虫害 该项目现在已有3年以上的历史了，尽管我是撰写此项目的人，但我对代码的工作方式一无所知。 我什至不知道它是否有效。 我以为我已经丢失了这个项目，但是几分钟前在我的Google云端硬盘中找到了它。 所以现在我将其上传到Git Hub仅仅是因为我的烦恼无法把它们扔掉，保留了一切性质（也许让我的简历看起来更好吗？）。 这项工作已在一流的期刊上发表（ ）。 我确实设计了实验，编写了此代码库，并报告了结果，但是我对编写手稿或提交稿件一无所知。 有关详细信息，请询问Rafeed或Arko。