cncnn-lrp 该存储库包含使用本文解释的原理来解释一维卷积神经网络（1D-CNN）的代码。解释技术在于计算各种n-gram特征的相关性，并确定足够和必要的n-gram。该项目带有一个多通道1D-CNN模型生成器，可用于生成测试模型。 依存关系： - Anaconda (python 3.6) - keras (tested on 2.2.4) - tensorflow (1.13.1) - numpy (1.16) - pandas (0.24) 该项目包含4个主要目录： data / sentiment_analysis该目录包含用于构建一维CNN模型和测试解释方法的培训和测试数据 models：此目录包含用于情感分析和回答问题的预训练的1D-CNN模型。 tokenizers：此目录包含用于各种数据集的已保存的keras标记器。分词器包含用于构建预训练模型的词汇表。 说明：

各向异性扩散是基于传热 PDE 的强大图像增强器和恢复器。 实现细节在“P. Perona 和 J. Malik, Scale-Space and Edge Detection Using Anisotropic Diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(7):629-639, July 1990”和“G . Grieg、O. Kubler、R. Kikinis 和 FA Jolesz，MRI 数据的非线性各向异性过滤，IEEE 医学成像汇刊，11(2)：221-232，1992 年 6 月”。 实施该算法以对 1D、2D 和 3D 灰度信号执行。

1D、2D、3D设计

OpenSSL1-1-1d.zip WIN64 开发包

1D FFT基于CUDA的并行处理，适用于复数到实数的1D FFT

统一分发函数的MATLAB代码 Matlab 的 Wasserstein 距离代码 这是一个紧凑的 Matlab 代码，用于计算一维概率分布的 1-和 2-Wasserstein 距离。 有关 Wasserstein 距离的一般定义，请参阅 。 此实现基于以下事实：对于给定的分布u和v ，1-Wasserstein 距离可以写为 和 2-Wasserstein 距离为 这里 和 参考u和v的累积密度函数，以及由下式定义的相应伪逆累积密度函数 代码假定（与 不同） u和v是离散且均匀的概率分布。 在这种情况下，存在样本使得任何u分布的随机变量满足所有k 。 这些样本是函数的输入，让我们不失一般性地假设它们越来越排序，然后累积分布函数及其伪逆由阶跃函数给出 该代码已在 Matlab R2017a 中进行了测试，并针对（在 1-Wasserstein 距离的情况下）和 . 后一种代码允许计算一般的 p-Wasserstein 距离，但在计算上比所描述情况的当前代码更复杂。 一些参考 Carrillo, JA 和 G. Toscani。 “非线性扩散方程的 Wasserstein 度量和大时间

Windows操作系统环境的一维码识别软件，从串口接收RGB565 640*480分辨率的图片数据，可进行多种码型一维码识别。如果首次识别失败，会进行黑白二值化的阀值调整算法再重新识别，所以图像的码元清晰度不同，识别时间有差别。

一维CNN for CWRU

压缩包中包含本人使用Winform开发的一个1D小游戏，主要包含了地图的切换，人物的走，跳，跑，攻击，血条，随机怪兽等。

一维神经网络 非线性回归模型在一维卷积神经网络中的应用