压缩包中包含本人使用Winform开发的一个1D小游戏，主要包含了地图的切换，人物的走，跳，跑，攻击，血条，随机怪兽等。

一维神经网络 非线性回归模型在一维卷积神经网络中的应用

lpc matlab代码一维三重神经网络 1D-Triplet-CNN神经网络模型的PyTorch实现在A.Chowdhury和A.Ross使用1D三重态CNN融合MFCC和LPC功能中对严重降级的音频信号中的说话人进行识别中进行了描述。 研究文章 和，使用严重降级的音频信号中的1D三重态CNN融合MFCC和LPC功能以进行说话人识别，《 IEEE信息取证与安全交易》（2019年）。 IEEE Xplore： 实施细节和要求 该模型是使用Python 3.6在PyTorch 1.2.1中实现的，并且可能与PyTorch和Python的不同版本兼容，但尚未经过测试。 文件中列出了其他要求。 用法 源代码和模型参数 1D-Triplet-CNN模型的源代码可以在子目录中找到，而预训练模型可以在子目录中找到。 数据集 子目录中可使用的预训练模型是根据从获得的Fisher语言语料库的子集进行训练的。 训练数据也因从数据集获得的不同程度的Babble噪声而退化。 训练1D-Triplet-CNN模型 为了按照研究论文所述训练1D-Triplet-CNN模型，请使用子目录中提供的1D-Triple

该程序采用有限差分方法（隐式和显式）仿真了一维和二维域扩散方程。该程序采用有限差分方法（隐式和显式）仿真了一维和二维域扩散方程。该程序采用有限差分方法（隐式和显式）仿真了一维和二维域扩散方程。

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包

此代码计算通过样本给出的两个均匀概率分布之间的 1-Wasserstein 距离和 2-Wasserstein 距离。 从图形上讲，它测量输入向量的（归一化）直方图之间的距离。 有关更多详细信息，请参阅 GitHub 存储库。

左右两边都是设置吸收边界条件

mit-bih_ecg_recognition:使用带有tensorflow的1d CNN进行MIT-BIH ECG数据识别

通过将每日数据集从1D更改为3D或从3D更改为1D，此功能有助于分析多年时间序列。 3D 时间序列坐标对应于 DAYSxMONTHSxYEARS，并且始终为 31x12xNUMBEROFYEARS。 缺失的数据值和非真实天数（例如 4 月 31 日）由 NaN 替换。 句法[s,t] = reshape_daily(s,t) [s,t,year,month,day] = reshape_daily(s,t) 描述[s,t] = reshape_daily(s,t) 返回对应于时间 t 和信号 S 的重构时间序列数组。如果输入数组是 Nx1 或 1xN，则返回 3D 数组 s 和 T。 如果输入数组是 3D，则返回 Nx1 数组。 时间数组 t 必须采用 datenum 格式。 [s,t,year,month,day] = reshape_daily(s,t) 还返回与 t 对应的年、月

详见：http://blog.csdn.net/fred_yang2013/article/details/12205925