本代码在keras开源代码框架下，基于深度卷积神经网络，实现猫的图片识别。

在不使用 MATLAB 中可用的 conv 函数的情况下对两个离散信号进行卷积。 我们创建一个名为 conolution(x,h) 的函数

SIMD_Convolution：超快速卷积

【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

用卷积滤波器matlab代码图像卷积实验室 MATLAB编码 该实验室实现了灰度图像的图像卷积，在许多计算机视觉系统（例如，用于边缘检测）和大多数图像编辑程序（例如Photoshop）（例如，用于图像锐化）中实现的基本图像过滤功能。 这里使用的图像是“ cameraman.tif”。 关于基本卷积 函数：fun result = basic_convolution（image，kernel）将灰度图像（2D矩阵）和过滤内核（2D矩阵）作为输入，并将卷积后的图像结果作为灰度图像返回，其大小和数据类型与输入相同图像。 关于扩展卷积 第一部分是边界处理：代码中心对过滤后的图像进行处理（这样，输入和过滤后的图像的内容就不会在它们之间移动），然后通过扩展/复制图像的边缘像素来填充边界区域（“钳到边缘'）。 第二部分是图像过滤：演示了3×3卷积核，用于计算水平，垂直和（任何）对角线图像梯度，并使用锐化蒙版对图像进行锐化。 它还从头开始执行高斯低通滤波，包括5×5内核和1个像素的标准偏差。

ConvMAE: Masked Convolution Meets Masked Autoencoders 预训练权重

fftw-convolution-example-1D 使用库中实现的快速傅立叶变换 (FFT) 执行实向量一维离散卷积的简单 C++ 示例。 这段代码是著名的卷积定理的简单直接应用。 它效率不高，但意味着易于理解。 算法说明 设 v1, v2 是两个实数向量。 这些向量的离散（线性）卷积可以通过以下过程计算： 将两个向量零填充到长度 size(v1)+size(v2)-1。 计算填充向量的离散傅立叶变换。 计算这些傅立叶变换的逐点乘积。 即 result[i] = Fourier(pad(v1))[i] * Fourier(pad(v2))[i] 通过逆傅里叶变换变换结果。 必须预先填充向量的原因是没有填充，此过程将计算 v1 和 v2 的循环卷积。 由于我们对线性卷积感兴趣，我们需要添加足够的填充，以便环绕不会混合线性卷积的不同部分。 有关更多信息，请参阅。 实施说明

快速卷积 FBMC-OQAM BER 和 PAPR 性能评估代码。

Deep convolutional neural networks (CNNs) have been at the heart of spectacular advances in deep learning.

与经典的卷积神经网络（CNN）相比，提出的胶囊网络欣顿可以使用更少的网络层来很好地完成分类任务，并以更快的速度达到收敛。 胶囊网络的原理是基于CNN，只是将神经元形式从标量转换为向量，即一个胶囊，然后通过动态路由方法选择适合最终输出的胶囊1 。在胶囊网络的基础上，使用反卷积来还原图像并优化原始图像和还原图像之间的误差。 通过数据增强处理的名为Cohn- Kanade Database Plus（CK +）的经典面部情绪数据库用于进行实验。 最近，分类结果与NAO机器人结合在一起。 NAO机器人可以通过改变眼睛的颜色并说出结果来形象化情感，从而达到将理论与实践相结合的目的。