提出基于卷积神经网络的驾驶行为分析算法，该算法在人脸定位的基础上实现了驾驶员的疲劳检测和行为检测。针对疲劳检测任务，探究了卷积神经网络的不同感受野对疲劳检测精度的影响，并得到了疲劳检测模型的最佳结构。针对行为检测任务，考虑到不同行为对应作用域的大小不同，提出了一种基于多尺度特征的多支路注意力网络模型，该模型通过提取多尺度特征实现了多尺度分类，并且使用注意力机制来强化判别特征。实验结果证明，该方法能够与多种主流卷积神经网络模型相结合并有效提升驾驶行为分析的准确率。

verilog vhdl 简单卷积器的设计

针对目前相似性视频检索方法中快速性和准确性仍无法满足用户要求等问题，提出了一种基于3D卷积神经网络的视频快速检索方法。该算法将3D卷积神经网络与哈希学习方法结合应用于视频数据，既能快速学习视频时空特征表示，又能极大地缩短视频检索时间。在常用视频数据集上的实验结果表明，利用所提出的方法对视频进行相似性检索性能优于当前主流方法。

针对水质污染的环境综合监测问题，提出了一种基于卡尔曼滤波和卷积神经网络的水质异常监测方法。 该方法采用Mask R-CNN图像分割方法对鱼进行分割，制作出鱼骨干和背景图像的正样本数据集和负样本数据集，并利用卷积神经网络训练数据集获得模型。 在跟踪过程中，使用RANSAC算法筛选SIFT特征，使用匹配和卡尔曼滤波器跟踪鱼并实时绘制运动轨迹。 每3秒保存一次运动轨迹，总共获得150000个正常和异常水质样本。 实验结果表明，基于卡尔曼滤波和卷积神经网络的水质异常识别率为98.5％，优于传统的水质识别方法。

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征，再进行特征分类，从而识别水质。针对水质监测问题，提出一种使用卷积神经网 (CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现，是生物式水质分类的重要依据。使用 Mask-ＲCNN 的图像分割方法，取鱼体的质心坐标，并绘制出一定时间段内鱼体的运动轨迹图像，制作正常与异常水质下两种轨迹图像数据集。融合 Inception-v3网络作为数据集的特征预处部分，重新建立卷积神经网络对 Inception-v3 网络提取的特征进行分类。通过设置多组平行实验，在不同的水质环境中对正常水质与异常水质进行分类。结果表明，卷积神经网络模型的水质识别率为 99. 38%，完全达到水质识别的要求。

cnv_encd.m　卷积编码程序 viterbi.m　　卷积译码程序 其它的是viterbi.m中用到的子函数 程序来自《现代通信系统－使用matlab》英文版 已经调通！并加上了注释。 希望对大家有帮助 GOOD　LUCK！

可以将超声脉冲回波检查中的接收信号建模为脉冲响应和反射序列之间的卷积，这是被检物体的脉冲特性。 去卷积的目的是使该过程近似反转以提高时间分辨率，从而使来自紧密间隔的反射器的回波之间的重叠变小。 本文提出了一种改进的最小熵盲去卷积算法，用于对超声信号进行去卷积。 通过使用提出的方法可以提高分辨率。 另外，在许多情况下，所提出的方法将导致更快的计算。 非线性函数是改进的盲解卷积算法效率的关键，该算法用于通过使用非线性函数的输出替换每个迭代输出来增加迭代输出的稀疏性并减少添加的噪声的影响。 仿真结果表明，在对合成超声信号进行卷积时，与最小熵解卷积相比，修改的效率更高。 使用实际超声数据的实验结果进一步评估，精确的解决方案始终可以产生良好的性能。 薄钢板样品的厚度可以通过改进的盲反褶积滤波器以合理的精度进行计算。

超参数优化

基于深度卷积神经网络的地震数据断层识别方法.pdf

Environment OS: macOS Mojave Python version: 3.7 PyTorch version: 1.4.0 IDE: PyCharm 文章目录0. 写在前面1. 卷积与转置卷积1.1 卷积层1.2 转置卷积层2. 池化与去池化2.1 池化层2.2 去池化层3. 线性连接4. 激活函数4.1 sigmoid4.2 tanh4.3 ReLU4.4 ReLU 的修改版们 0. 写在前面 本文记录一下使用 PyTorch 建立神经网络模型中各种层的定义方法，包括卷积层(卷积、转置卷积)、池化层（平均池化、最大池化、反池化）、全连接层、激活函数层。这里主要记录对于二