搜索资源列表
基于脸部动态特征的人脸表情识别程序
- 通过训练jaffe数据库，实现识别人脸高兴、惊讶、恐惧、生气等六种表情，并圈出。可调用电脑摄像头实时监测。内附有使用说明，可以使用。仅供学习参考。(Through training Jaffe database, six kinds of facial expressions, such as happiness, surprise, fear and anger, are recognized and circled. Real-time monitoring with a computer
test1
- 训练一个深度学习的循环神经网络，可实现获取公开数据集并进行训练，框架为Pytorch(Training a deep learning circular neural network can achieve the acquisition and training of open data sets, and the framework is Pytorch)
Tradaboost Code
- 迁移学习，算法、些MPI并行的理论，等等的，我的代码里面有处理数据代码，有训练，有测试代码，包括调的一些框架，都可以用，只要能写的通的都可以(Migration learning, algorithms, some MPI parallel theory, and so on. My code contains data processing code, training, testing code, including some frameworks of tuning, which can
BCI_MI_CSP_DNN
- BCI_MI_CSP_DNN是一种基于matlab的运动图像脑电信号分类程序。 基于matlab深度学习工具箱编写了BCI_MI_CSP_DNN程序 本程序的原理基于CSP和DNN算法 这个程序的性能是基于BCI竞赛II数据集II 提出了一种基于深度学习的运动图像脑电信号分类方法。在预处理原始脑电图信号的基础上，采用共空间模型(CSP)方法提取脑电图特征矩阵，并将其输入深度神经网络(DNN)进行训练和分类。我们的工作在BCI Competition II Dataset III上进行了实
MATLAB-DNN-master
- dnn的训练及搭建源代码，非常实用，对初学者是一个不错的起点，特别是深度学习方面的(Training and building source code of DNN)
SeNet的pytorch实现版本
- 深度学习视觉注意力机制SeNet的pytorch实现版本，包括了SeLayers的实现，SeNet模型以及在Imagenet数据集上的训练代码。
upload
- 这些文件将在两用户非正交多址（NOMA）系统中实现用于信号检测的深度学习方法[1]。三个主要脚本分别是生成训练数据、训练神经网络和生成测试结果。该神经网络用于相位衰落的静态标量信道，用于NOMA系统中同时检测2个用户的单个子载波上的传输符号。考虑并测试了两种情况：一种是导频符号数目较少，另一种是循环前缀长度较短。在这两种情况下，深度学习方法都比传统的信道估计方法具有更强的鲁棒性。(These files are to implement the deep learning method for
chatbot
- 聊天机器人 原理： 严谨的说叫 ”基于深度学习的开放域生成对话模型“，框架为Keras（Tensorflow的高层包装），方案为主流的RNN（循环神经网络）的变种LSTM（长短期记忆网络）+seq2seq（序列到序列模型），外加算法Attention Mechanism（注意力机制），分词工具为jieba，UI为Tkinter，基于”青云“语料（10万+闲聊对话）训练。 运行环境：python3.6以上，Tensorflow，pandas，numpy，jieba。(Chat Robot
boston_housing
- 采用机器学习预测房价.使用波士顿房屋信息数据来训练和测试一个模型，并对模型的性能和预测能力进行评估。(Using Machine Learning to Predict House Prices)
GPS Trajectory
- GPS轨迹数据集，用于深度学习的模型训练，数据集里有GPS轨迹数据和标签。(The GPS trajectory data set is used for deep learning model training. The data set contains GPS trajectory data and tags.)
Logistic回归统计算法的matlab实现
- 统计回归分析，逻辑斯蒂多元线性回归，机器学习，详细代码解说，机器训练等(Logistic multiple linear regression, statistical regression analysis, logistic multiple linear regression, machine learning, detailed code interpretation, machine training, etc)
ELM_PSO-master
- 为了提升配网供电可靠性的预测精度!提出了基于主成分分析和粒子群优化极限学习机的配网供电可靠 性预测模型$ 从多方面分析影响供电可靠性的指标!利用主成分分析得到综合变量!实现对数据的降维$ 在此基 础上!构建人工神经网络并利用粒子群算法优化极限学习机的输入权值和阈值!完成对训练供电可靠性预测模型 的训练$ 以某大型电网的 ?L 个供电局样本 !% 种影响供电可靠性因素为例进行仿真分析!并将 E S R C E FQ C 4 G D算 法与 ! 种回归拟合算法对比!验证了该方法的有效性(It i
ELM_样例
- 极限学习机（Extreme Learning Machine, ELM）用来训练单隐藏层前馈神经网络（SLFN）与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过激活函数函数，依据Moore-Penrose（MP）广义逆矩阵理论计算解析求出。(Extreme learning machine (ELM) is used to train single hidden layer feedforward neural network (SLFN). Differe
基于php的KNN算法实例
- kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。用这种算法可以完成最简单的机器学习算法，适合参加科技比赛和演示
DDLO算法
- 本文研究了移动边缘计算 (MEC) 网络，其中多个无线设备 (WD) 选择将其计算任务卸载到边缘服务器。为了节约能源并保持 WD 的服务质量，联合卸载决策和带宽分配的优化被表述为混合整数规划问题。然而，该问题在计算上受到维数灾难的限制，无法通过通用优化工具以有效和高效的方式解决，尤其是对于大规模 WD。在本文中，我们为 MEC 网络提出了一种基于分布式深度学习的卸载 (DDLO) 算法，其中使用多个并行 DNN 来生成卸载决策。我们采用共享重放内存来存储新生成的卸载决策，这些决策进一步训练和改进
paddle图像识别
- 基于百度paddlepaddle深度学习训练结果的图像识别实战源码