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

CNN框架中，如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数，利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试，实验结果表明，改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。

在文本分类中，基于Word2Vec词向量的文本表示忽略了词语区分文本的能力，设计了一种用TF-IDF加权词向量的卷积神经网络（CNN）文本分类方法.新闻文本分类，一般只考虑正文，忽略标题的重要性，改进了TF-IDF计算方法，兼顾了新闻标题和正文.实验表明，基于加权词向量和CNN的新闻文本分类方法比逻辑回归分类效果有较大提高，比不加权方法也有一定的提高.

直接从github下的

猫狗识别

用卷积滤波器matlab代码深度复杂的U-Net 的非官方PyTorch实施（H.Choi et al。，2018） 笔记 这不是作者的实现。 建筑学 （成为） 要求 torch==1.1 soundfile==0.9.0 easydict==1.9 git+https://github.com/keunwoochoi/torchaudio-contrib@61fc6a804c941dec3cf8a06478704d19fc5e415a git+https://github.com/sweetcocoa/PinkBlack@e45a65623c1b511181f7ea697ca841a7b2900f17 torchcontrib==0.0.2 git+https://github.com/vBaiCai/python-pesq # gputil # if you need to execute multiple training process 火车 下载数据集： 分开每列火车/测试波形 下采样波形 # prerequisite : ffmpeg. # sudo apt-get ins

卷积神经网络pdf讲义超详细

这个主要是CNN的推导和实现的一些笔记，再看懂这个笔记之前，最好具有CNN的一些基础。

本IP核由Xilinx HLS高层次综合语言设计，采用Winograd算法降低卷积计算量，支持任意大小为3x3的、步长为1或2的卷积运算。C仿真，C/RTL协同仿真均已通过，并在xc7z020clg400-2开发板上上板通过测试。压缩包内包含HLS工程、以及SDK上板测试的代码

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。