人工智能-项目实践-文本分类-CNN-RNN中文文本分类，基于TensorFlow 使用卷积神经网络以及循环神经网络进行中文文本分类 CNN做句子分类的论文可以参看: Convolutional Neural Networks for Sentence Classification 以及字符级CNN的论文：Character-level Convolutional Networks for Text Classification 本文是基于TensorFlow在中文数据集上的简化实现，使用了字符级CNN和RNN对中文文本进行分类，达到了较好的效果。 文中所使用的Conv1D与论文中有些不同，详细参考官方文档：tf.nn.conv1d

基于matlab的CNN-LSTM深度学习网络训练,有用的特征从CNN层中提取，然后反馈到LSTM层，该层形成预测的上下文顺序+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

基于麻雀算法的SVM分类，SSA-SVM 分类问题 智能优化算法、改进分类器SVM

基于TensorFlow、CNN、清华数据集THUCNews的字符级卷积神经网络实现文本分类算法源码

官方网站 http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 参考网页 http://baike.baidu.com/view/598089.htm 实现语言：C语言 LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~cjlin/免费获得。该软件可以解决C-SVM分类、-SVM分类、-SVM回归和-SVM回归等问题，包括基于一对一算法的多类模式识别问题。SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

卷积神经网络；分类识别；数据增强与预处理；实时检测；

文章针对SVM中的参数选择问题，提出了利用遗传算法进行优化的方法，并将其应用于商业银行的个人信用评估中，构建了个人信用评估GA-SVM模型；通过对GA适应度函数的设置来控制个人信用评估中给商业银行造成较大损失的“取伪”误判的发生；模型的应用结果表明，GA-SVM模型能够对样本数据进行较好的分类，并且“取伪”误判得到了控制。

基于frede blaabjerg方法的基本空间矢量pwm，并用spwm实现了我的计算解释。 此方法不包括直流链路补偿，因此不平衡电流输出。

卷积神经网络在字符识别方面的应用.doc