ECA_EIA 364-108A-2019-final.zip

在 MATLAB 中编码的进化中心算法 (ECA)

yolov5+diou-nms，骨干网络添加eca注意力，代码以及各种改进模型的实验数据，包含一个一万五千张的数据集，适合硕士论文以及毕业论文

格兰杰因果matlab代码探索性因果分析（ECA） 此代码集合用于对双变量时间序列数据执行探索性因果分析。 主要脚本是MATLAB脚本ECA ，其运行方式为 [TE,GC,PAI,L,LCC,g] = ECA(x,y,xtol,ytol,lags,E,tau,verb,skipGC) 其中x和y是时间序列数据的一维向量， xtol ， ytol和lags是传递给倾斜函数的参数（请参见）， E和tau是传递给PAI函数的参数（请参见），动词是可选的标志surpress命令行输出，并且skipGC是一个标志，可以选择禁止Granger因果关系计算。 TE是一个输出结构，其中包含使用Java Information Dynamics工具包（JIDT）计算得出的传输熵结果，该信息可以在doi：10.3389 / frobt.2014.00011中获得，并在doi：10.3389 / frobt.2014.00011中引入。 GC是一种输出结构，其中包含使用MATLAB的MVGC多元Granger因果关系工具箱进行Granger对数似然统计计算，可在doi：10.1016 / j.jneumet

ECA-Net代码：深度卷积神经网络的有效通道关注度ECA-Net：高效信道注意性ECA-Net：深度卷积神经网络有效通道注意率这是由Banggu创建的ECA-Net（CVPR2020，论文）的实现吴。 简介最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。 但是，大多数现有方法都致力于开发更复杂的注意力模块以实现更好的性能，这不可避免地

TLS恶意加密流量检测，不需要解码数据。 Gartner 认为，2019 年将有一半的恶意软件活动采用某种加密技术来掩盖恶意软件传 送命令和控制活动或数据泄露。ECA(Encrypted Communication Analytics)加密通信检测 技术应运而生，此技术不需要解密加密流量，基于加密流量之前的握手信息，加密流 量的统计信息，以及加密流量的背景流量信息，利用机器学习算法训练模型，对正常 加密流量和恶意加密流量进行分类和识别。本文详细介绍 ECA 检测的基本工作原理和 典型应用

另一个-YOLOv4-Pytorch 这是在pytorch上实现YOLOv4对象检测神经网络的实现。 我将尝试实现原始纸张的所有功能。 模型 预先训练的体重 自订课程 联合会 YOLO数据集 验证信箱 HSV转变为火车 MOSAIC的火车 Dropblock层进行训练。 每个PAN层一个，但是您可以轻松地将其添加到每个层。 （感谢Evgenii Zheltonozhskii实现pytorch） LARS优化器 火炬闪电 用fgsm进行自我对抗训练 YOLOv4官方论文中的SAM注意事项 从ECA注块从fastglobalavgpool 来自重量标准化（不建议与预训练一起使用，可能会导致输入爆炸，与track_running_stats一起使用，否则爆炸） 带指南的笔记本 来自IoU意识 深度实施中的NMS（未连接） 来自矩阵NMS算法（未连接）

entity-eca.xsd

一些关于核函数的PCA ECA 分析，以及对应的聚类分析方法，演示程序