基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)数据回归预测，多变量回归预测模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

MATLAB实现WOA-CNN-BiGRU鲸鱼算法优化卷积双向门控循环单元数据分类预测 1.Matlab实现WOA-CNN-BiGRU多特征分类预测，多特征输入模型，运行环境Matlab2020b及以上； 2.基于鲸鱼算法(WOA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)分类预测，优化参数为，学习率，隐含层节点，正则化参数； 3.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用； 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图； 4.data为数据集，输入12个特征，分四类；运行主程序即可，其余为函数文件，无需运行.

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

视频码流是经过高效压缩的数据，其比特流之间的相关性非常强，因此对误 码或数据丢失很敏感。在分组网络通信中，由于因特网只能提供“尽力服务”， 因此分组丢失不可避免。这样，在网络视频通信中纠错控制的重要性不言而喻。 本论文重点研究应用于视频的纠删码算法，首先阐述了纠删码的研究背景和 进展，详细介绍了RS码、Tomado码、LT码和RaPtor码的编解码方法、编解码 复杂度及性能。然后，提出并实现了一种卷积式 Tomado码，把分组Tomad。码 偶图变换成卷积式偶图，并用该偶图对数据分组进行编解码，卷积式Tomado码 增强了编码数据分组之间的相关性，能够有效地抗网络突发丢包。接下来，提出 了一种基于FEC的选择重传方法，对于线性FEC只要接收到的数据分组可以线 性表示全部源数据分组，解码器就可以恢复所有丢失的数据分组，根据线性FEC 的这个特点，对解码失败时偶图对应的矩阵进行列变换，找到需要重传的数据分 组序号。另外，本论文还给出了一种适用于重传的数据封装结构，该结构中含有 两种类型:一种为含有重传分组序号信息的数据结构，另一种为含有视频数据的 数据结构。利用该数据结构的视频传输系统简单易实现。 最后，利用论文中给出的FEC和重传算法，实现具有抗分组丢失能力的视频 通信系统，同时验证了卷积式Tomad。码和基于FEC的选择重传方法。实验结果 表明，本论文提出的卷积式Tomado码和基于FEC的选择重传方法能有效提高视 频通信的质量，而且算法复杂度低，可用于实际视频通信系统中。

悬臂梁自由振动微分求积法 matlab程序

高斯求积代码matlab GDE-FEM_1.0 MATLAB代码用于模拟经历凝结和凝结过程的气溶胶数量分布的时间演变。 近似方法应用了有限元方法。 提供了示例代码，说明如何使用这些功能来估计气溶胶数量分布： example_size_dist_evolution.m example_size_dist_evolution.m使用此软件包中提供的功能。 可以通过运行以下代码来复制“将有限元方法应用于气溶胶通用动力学方程（GDE-FEM 1.0）-与经典数值逼近进行比较”一文中得出的结果： GDE_FEM_MAIN.m 提供的功能 气溶胶数量分配的功能位于子文件夹GDE_functions中。 此处给出了代码的简短说明。 有限元矩阵创建代码 Coagulation_FEM_matrix_creator ：使用梯形规则方法创建凝血FEM矩阵。 Coagulation_quadrature_matrix_creator ：创建具有3点或5点高斯正交的凝固FEM矩阵。 Condensation_FEM_matrix_creator ：为冷凝方程式创建Petrov-Galerkin和Galerk

开发技术环境： Pycharm + Python3.6 + PyQt5 + OpenCV + 卷积神经网络模型 本文采用卷积神经算法对驾驶室内的驾驶员进行实时的面部图像抓拍，通过图像处理的技术分析人眼的闭合程度，从而判断驾驶员的疲劳程度。本文介绍了对目标图像进行人脸检测，然后在分割出的人脸图像中，对人脸图像进行水平投影，并根据水平投影得到的人眼上下眼睑，定位出人眼的位置，而且根据人眼的上下眼睑可以通过事先给出的一定判别标准，判断眼部是否处于疲劳状态，从而达到疲劳检测的目的。当检测出驾驶员处于疲劳时，系统会自动报警，使驾驶员恢复到正常状态，从而尽量规避了行车的安全隐患，并且系统做出预留功能，可以将驾驶员的疲劳状态图片发送给指定的服务器以备查询。因此组成本系统中系统模块如下： （1）视频采集模块 （2）图像预处理模块 （3）人脸定位模块 （4）人眼定位模块 （5）疲劳程度判别模块 （6）报警模块

这是一道卷积题的代码，我们可以体会到python的快捷方便，更易于使用，希望大家支持

常用深度网络总结，包含背景、创新点、表现、文章代码资源等 适用于机器学习、深度网络、计算机视觉的道友 自己手打总结文档，囿于能力，挂一漏万，如有笔误请大家指正~ 自己：脑机接口+人工智领域，主攻大脑模式解码、身份认证、仿脑模型… 在读博士第3年，在最后1年，希望将代码、文档、经验、掉坑的经历分享给大家~ 做的不好请大佬们多批评、多指导~ 虚心向大伙请教！ 想一起做些事情 or 奇奇怪怪点子 or 单纯批评我的，请至Rongkaizhang_bci@163.com

用卷积滤波器matlab代码硕士学位论文-CNN和CWT用于功率质量扰动分类 此项目与Itajubá联邦大学的Rafael S. Salles题为“高级信号处理和深度学习在质量性能综合度量中的模式识别的使用：智能电网应用”的硕士学位论文相关。 以下是MATLAB和Simulink代码的详细信息。 电能质量（PQ）并不是一个新主题，但绝不能以任何方式忽略它，因为它的性能参数将揭示用户设备和电网之间是否足够的问题。 随着电力系统的不断变革，其特点是可再生能源的高度普及，基于电力电子设备的组件在网络中的大量插入以及发电的分散化，这些问题变得越来越重要。 在智能电网中，寻求用于解决PQ干扰问题的更高级解决方案的解决方案。 在这种情况下，先进的信号处理在处理网络和支持各种应用以及人工智能（AI）方面发挥着至关重要的作用，而人工智能（AI）已在为应用提供多个领域的创新解决方案方面发挥了重要作用。 这项研究调查了高级信号处理和深度学习技术在PQ障碍信号的模式识别和分类中的用途。 为此，带有滤波器组的连续小波变换用于从具有电压干扰的信号中生成具有时频表示的二维图像。 这项工作旨在使用卷积神经网络（CN