搜索资源列表
BP-predict
- 针对中长期电力负荷预测样本量小、多因素影响的特点,利用灰色关联度筛选影响因素,建立基于BP 神经网络算法的负荷预测模型,通过多因素变量及历史负荷变量序列进行滚动预测,得到的预测值明显优于 单一预测方法,并通过马尔可夫过程对预测残差进行修正,使预测精度得到较大提高,研究实证表明,这种预 测方法具有进行推广应用的价值 -For long-term load forecasting small sample size, the characteristics of many facto
gray-predict
- 游需求分析婶予促进我目各地区的经济发展和文化交流都有着重要的意叉。由于旅游行业的。小样本，膏信息，不确定”性， 旅游市场可以看做是一个巨大的灰色系统。皋文竹对旅游需求同题进行了详细的研完，提出了基于灰色表镜理论的多元数学预测模型GM (1，N)．合理分析诸多因素对旅游需求的综合影响，可以很好的解决此奏问题。同时。以北京地区旅游需求发展为倒，根据北京市旅游局平 的历年旅游统计数据，确定影响游客人数的因素并对其合理量化，应用GM(1，N)模型对最地的旅游需求进行预潮．井通过残盖检验，后戎
BP2BE
- 基于BP神经网络的盲均衡器设计， 采用BP神经网络进行盲均衡 残差小，误码率低-blind equalizationo based n bp neural networks
resnet
- 深度残差网络ResNet，分别有50,101,152,200层(The depth residual network ResNet, respectively, has 50101152200 layers)
vgg16
- 在使用深度神经网络时我们一般推荐使用大牛的组推出的和成功的网络。如最近的google团队推出的BN-inception网络和inception-v3以及微软最新的深度残差网络ResNET。(In the use of deep neural network we generally recommend the use of cattle group launched and successful network. Such as the recent google team launched B
yolo V3
- 这个版本作者已经编译过了 可以在WIN系统上运行 YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。 在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构（含有53个卷积层），它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路（shortcut connections）。
深度学习实现零件缺陷检测源代码(1)
- 结合VGG和残差网络实现工业零件的缺陷检测，基于keras和tensorflow可以直接运行使用(The defect detection of industrial parts is realized by combining VGg and residual network. Based on keras and tensorflow, it can be used directly)
Demo_FDnCNN_Color
- 用于图像去噪的matalb代码，残差学习，深度学习，层数为17层(denoising Matalb code for image denoising, residual learning, deep learning, the number of layers is 17)
sar_drn-master
- 关于SAR图像去噪的扩展残差网，包含模型、训练测试图像、和训练测试代码