基于CNN卷积神经网络的文字识别matlab仿真,matlab2021a运行测试

基于DEAP的脑电情绪识别（基于CNN的多目标进化算法选择的人类情绪与脑电图通道的二维区分)，采用的tensorflow框架，模型为深度卷积神经网络模型

图片字幕 :man::laptop: 基于CNN和LSTM概念以及Flicker_8k和GUI数据集的图像标题深度学习模型 :mechanical_leg: 来自tkinter。 Convolutional Neural Network是一种深度学习算法，可以吸收输入图像，为图像中的各个方面/对象分配重要性，并能够区分彼此。 这种方法的流程结构就像 在分类的最后一部分中，我们使用了RNN的扩展版本，即LSTM ，它使用了存储的内存和结构看起来像 表格中的数据集 图像 标签 一个穿着粉红色裙子的孩子正在以入门方式爬上楼梯。 一个走进一幢木制建筑物的女孩。 一个小女孩爬进一个木制剧场。 一个小女孩爬上楼梯到她的游戏室。 一个小女孩穿着粉红色的连衣裙走进一个小木屋。 数据集和。 以下图像标签上的步骤 取材和清洁的标准方法 如果您没有强大的GPU，则从大型数据集中提取特征将花费大量时间。 我的机器大约需要6-7分钟。 您可以使用GPU机器在

【边缘检测】基于CNN的灰度图像边缘提取matlab源码.md

使用基于CNN的深度学习进行调制格式识别和OSNR估计

基于CNN卷积神经网络识别mnist手写数据集所有源码，包括误差反向传播实现的各种层以及加载mnist数据集的方法

基于自动核分割和CNN模型的白细胞分类方法 概述： 这项工作是对白细胞（白血球）细胞核分段，定位和四种类型的白细胞（白血球）的细胞核分段算法.The完整描述的新的CNN模型为基础的分类，定位和CNN模型，可以发现。 这是工作摘要： 开发了一种用于WBC核分割的通用算法，并在四个WBC公开数据集中得到了验证。 根据细胞核和白细胞比率的统计分析确定白细胞（白细胞）的位置。 设计了一种新的CNN模型，以对四种类型的本地化和裁剪的WBC（白细胞）图像进行分类。 在“ wbc_nucleus_seg_localz”目录中共享WBC核的分割，定位和裁剪方法的代码。 请查看代码并在MATLAB上运行（推荐版本：MATLAB 2017a或2019a或更高版本）。 在“ wbc_classify_cnn_model”目录中共享裁剪的WBC图像的数据集生成，CNN模型的训练和训练后的模型的推断的代

基于CNN和LSTM的脑电情绪识别_运用卷积神经网络_4D-CRNN,数据集为DEAP和seed。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率

我们提出了一种新的数据驱动算法，用可重用的时空流数据仓库合成高分辨率的流模拟。在我们的工作中，我们采用描述符学习方法来编码分辨率和数值粘度不同的uid区域之间的相似性。我们使用卷积神经网络从流体数据（如烟密度和流速）生成描述符。同时，我们提出了一种变形限制面片平流方法，它允许我们稳健地跟踪可变形的uid区域。在这个补丁平流的帮助下，我们从存储库的详细UID生成稳定的时空数据集。 然后，在运行新的模拟时，我们可以使用学习到的描述符快速定位合适的数据集。这使得我们的方法非常有效，并且与分辨率无关。我们将通过几个例子来证明，我们的方法产生的体积具有非常高的有效分辨率，以及非耗散的小尺度细节，这些细节自然地融入了底层水流的运动中。

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。