【资源内容】利用MATLAB实现了“基于梳状谱调制的LFM 雷达噪声卷积干扰技术”的内容仿真。 【适用对象】信号处理、雷达等专业的学生。 【仿真内容】 1、灵巧噪声卷积干扰 2、梳状谱干扰 3、LFM雷达基于梳状谱的灵巧噪声压制干扰 【资源特点】思路清晰、注释明细、参数可随意配置。 【乱码解决】如果打开MATLAB文件，发现注释乱码，请打开“ Read-First注释乱码解决办法.txt ” 文件查看。 感谢支持原创！

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是Inception Moudel的pytorch实现，并且实现了在GPU上运行

原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是ResidualBlock的pytorch实现，并且实现了在GPU上运行

以上卷积核是人为定义的，人工智能的卷积核是自动生成的。 使用微分(求导)来反应边界颜色的变化，代码里用的是差分(求差)

人脸表情识别是计算机视觉领域的研究热点之一。针对自然状态下的人脸存在多视角变化、脸部信息缺失等问题，提出了一种基于MVFE-LightNet（Multi-View Facial Expression Lightweight Network）的多视角人脸表情识别方法。首先，在残差网络的基础上设计卷积网络提取不同视角下的表情特征，引入深度可分离卷积来减少网络参数。其次，嵌入压缩和奖惩网络模块学习特征权重，利用特征重新标定方式提高网络表示能力，并通过加入空间金字塔池化增强网络的鲁棒性。最后，为了进一步优化识别结果，采用AdamW（Adam with Weight decay）优化方法使网络模型加速收敛。在RaFD、BU-3DFE和Fer2013表情库上的实验表明，该方法具有较高的识别率，且减少网络计算时间。

在MATLAB中，卷积码的维特比（Viterbi）译码实现通常需要先将生成多项式转换成网格图描述，然后才能利用网格图进行维特比译码。 生成多项式转网格图描述的built-in函数为poly2trellis，在MATLAB中，改函数为通信工具箱中的内置函数，被封装成动态链接库（MexFunction），通过搜索早期的MATLAB版本，找到了MEX源文件。 采用“还原”的形式进行单步跟踪调试，在VS2010中构建了整个项目工程，通过单步跟踪调试，才得以理解整个代码流程。 参考博客更方便理解：https://blog.csdn.net/wlwdecs_dn/article/details/122572149

数字信号处理实验 离散傅里叶变换和卷积计算matlab实现

脑电情绪识别 HSE计算机科学学生项目 作者：Soboleva Natalia和Glazkova Ekaterina 脑电信号的准确分类可以为医学研究提供解决方案，以在早期阶段检测异常脑部行为以对其进行威胁。 在这项研究中，我们从另一个角度来看这个任务-情绪识别。 我们设计了卷积神经网络和递归神经网络的联合，使用自动编码器来压缩数据的高维数。 当前项目包括EEG数据处理，并使用AutoEncoder + CNN + RNN进行卷积 前处理 伪影-这是所有非脑源记录的活动的术语。 伪影可分为两类：生理伪影（来自大脑其他部位的虹膜，例如，身体）和外部生理伪影（例如，技术设备的北极）。 为了提取脑电图观察的最重要特征，必须进行预处理。 为了进行数据处理和可视化， 选择了用于人类神经生理数据（包括EEG）的开源Python软件。 在这一领域，有两种主要的最新方法可以处理EEG信号：小波变换和

CNN实现对FashionMNIST图像分类 卷积神经网络相对于全连接神经网络的优势： 参数少 -> 权值共享 因为全连接神经网络输入的图片像素较大， 所以参数较多 而卷积神经网络的参数主要在于核上， 而且核的参数可以共享给其他通道 全连接神经网络会将输入的图片拉直， 这样就会使图片损失原来的效果，从而导致效果不佳 而卷积神经网络不会将图片拉直，用步长去移动核 可以手动选取特征，训练好权重，特征分类效果比全连接神经网络的效果好 CNN过程： conolution层： 实现对feature map局部采样(相似于感受野) pooling层: 增加感受野 dense层: 也就是全连接层 大概思路

带教程完整的cnn 运行源码，最简单的CNN