matlab生成维纳过程代码去卷积 一维傅立叶和小波分析工具用于反卷积 要求 八度 用法 小波相关功能： [u, v] = filt(type, p)返回类型为type小波变换中使用的父小波u ， v 。 w = wtrans(z, type, p)使用类型type的父小波返回矢量z的p分辨率小波变换。 z = iwtrans(w, type, p)使用类型type的父小波返回向量w的p分辨率逆小波变换。 如果type和p相同，则iwtrans和wtrans应该彼此iwtrans ，直到出现一些小错误wtrans 。 coeffs(w, p, q)返回第p分辨率小波变换的第q级小波系数。 q可以从1到p+1 。 q = p + 1代表最粗糙的小波电平。 B = getbasismat(type, p, N)生成维度为(p+1)xN的矩阵，其第j行包含基础元素，该元素进行转换以生成用于计算p第j级小波系数的向量长度为N （2的整数次方）的信号的第n分辨率小波变换。 [w, ratiounthres, wnoise] = applythres(w, method, p, thrvec)当提

计算卷积的matlab代码可解释意识指示器（ECI）的源代码 该项目包含与手稿“使用可解释的深度学习将意识从睡眠，麻醉和意识障碍患者中解脱出来”相关的脚本。 编程语言：MATLAB 联系人︰李敏治（） 步骤1：EEG预处理和转换后的数据 将原始EEG信号转换为时空3D矩阵。 第2步：培训CNN 转换后的3D功能在卷积神经网络（CNN）上用于意识的两个组成部分：唤醒和意识。 在每个唤醒和意识状态下，将EEG数据分为两类（低与高）进行训练。 在培训和测试阶段，我们使用了留一法的主题学习法作为迁移学习。 步骤3：测试CNN和计算ECI 输出表明概率是计算ECI的平均值。 最后，计算基于分层相关性传播（LRP）的相关性得分。 等等 散点图，托普图和小提琴图 EEGLAB工具箱可从以下网站免费获得。 CNN和LRP的源代码可从以下网站免费在线获得。 可从下载小提琴情节的源代码。 阴影错误栏的源代码可从下载。

三篇学术论文：基于TensorFlow分布式与前景背景分离的实时图像风格化算法；基于TensorFlow的卷积神经网络的应用研究；基于TensorFlow的交通标识智能识别系统设计

BUET CSE 472机器学习最终项目 利用卷积神经网络识别和识别水稻病虫害 该项目现在已有3年以上的历史了，尽管我是撰写此项目的人，但我对代码的工作方式一无所知。 我什至不知道它是否有效。 我以为我已经丢失了这个项目，但是几分钟前在我的Google云端硬盘中找到了它。 所以现在我将其上传到Git Hub仅仅是因为我的烦恼无法把它们扔掉，保留了一切性质（也许让我的简历看起来更好吗？）。 这项工作已在一流的期刊上发表（ ）。 我确实设计了实验，编写了此代码库，并报告了结果，但是我对编写手稿或提交稿件一无所知。 有关详细信息，请询问Rafeed或Arko。

最近几年，在处理语音、图像识别和语言处理等问题上，深度学习有着十分不错的表现。在所有类型神经网络中，卷积神经网络中研究最为深入的。在过去因为没有大数据与高性能的计算设备支撑，想要在不过拟合进行高性能卷积神经网络训练是难以想象的。如今卷积神经网络的飞速发展，离不开出现了ImageNet这样的数据，还有大幅提升的GPU计算性能。尽管各种 CNN 模型仍继续在多种计算机视觉应用中进一步推进当前最佳的表现，但在理解这些系统的工作方式和如此有效的原因上的进展仍还有限。这个问题已经引起了很多研究者的兴趣，为此也涌现出了很多用于理解 CNN 的方法。本课题主要研究了卷积神经网络ResNet，在pytorch平台进行对ResNet34神经网络的训练，得到达到识别精度的神经网络，并对设计的神经网络模型进行评估和测试。首先从已有的图库中crop处理做一个5*100的图像数据库，并搭建卷积神经网络研究平台PyTorch的Window平台，按要求训练出具有识别精度的神经网络，通过设计算法来测试模型的识别率，并将把模型的卷积核可视化。

Python卷积神经网络人脸识别程序，可用于开发新的面部识别软件

句子的分类非常具有挑战性，因为句子包含的上下文信息有限。 在本文中，我们提出了一种用于句子分类的注意力门控卷积神经网络（AGCNN），该方法通过使用专用的卷积编码器从不同大小的特征上下文窗口中生成注意权重。 它充分利用有限的上下文信息来提取和增强重要特征在预测句子类别中的影响。 实验结果表明，我们的模型可比标准CNN模型提高3.1％的精度，并且在六项任务中的四项上均能获得超过基准的竞争性结果。 此外，我们设计了一个激活函数，即自然对数重定比例的整流线性单位（NLReLU）。 实验表明，NLReLU的性能优于ReLU，可与AGCNN上的其他知名激活功能相媲美。

Tensorflow中的图像修复模型实现 “使用部分卷积对不规则Kong进行图像修补”第一个tensorflow主实例，使用tensorflow完全实现，而无需修改源代码。 原始论文： YouTube上的演示： 部分卷积 使用curr_bin_mask表示当前二进制文件的掩码； conved_mask表示二进制掩码的卷积结果，对应于文本中的sum（M）； new_bin_mask表示卷积后的新二进制掩码，更新规则为： ((conved_mask==0)==0) 因此，局部卷积的计算如下： Pconv(x) = (Conv(x*curr_bin_mask)*conved_mask+b)*new_bin_mask 如文本中所述，使用新掩码的操作是为了确保无效输入为零。 网络结构 用局部卷积代替卷积 面膜生成 与原始版本不同，我使用opencv生成了一个掩码，并将无效零件输入设置为零。

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。

感兴趣区域欠采样MRI重建：一种深度卷积神经网络方法