注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 深度学习博硕论文集合3

  2. 基于CUDA架构的深度时空推理网络 2 pdf 基于人工神经网络的纹理分析方法在光学相干层析图像分类中的应用 pdf 基于卷积神经网络的深度学习算法与应用研究 pdf 基于卷积神经网络的自然场景下的车牌检测 pdf 基于正则化的深度学习模型研究 pdf 基于深度学习与MQDF相结合的手写汉字识别方法 pdf 基于深度学习和信息增益的否定选择算法 pdf 基于深度学习的数据融合在FPSO监测预警系统上的应用 pdf 基于深度学习的气体识别研究 pdf 基于深度学习的视频人脸识别方法 pdf 基于

  3. 所属分类：专业指导

    • 发布日期：2014-10-16
    • 文件大小：52428800
    • 提供者：wuzaiwuzai

  1. 基于深度学习的图像检索研究

  2. 深度学习(Deep Learning )是近年来提出的一种利用具有多个隐层的深度 神经网络(Deep Neural Network,DNN)完成学习任务的机器学习方法。其实质 是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到 更有用的特征,进而提升模型预测或分类的准确性。与以往的浅层神经网络的 不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层), 还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰 富的内在信息。

  3. 所属分类：其它

    • 发布日期：2014-12-16
    • 文件大小：10485760
    • 提供者：lipu_861202

  1. 基于深度学习的图像识别算法研究

  2. 本文介绍了基于深度学习的图像识别技术，将深度学习和和支持向量机结合，将多个限制性波尔兹曼机与SVM连接构建多层分类模型，并将其应用到图像识别中。

  3. 所属分类：深度学习

    • 发布日期：2017-11-29
    • 文件大小：2097152
    • 提供者：cyj2014go

  1. 基于深度学习的人脸识别技术

  2. 传统的人脸识别方法多采用浅层的结构提取人脸图像特征。这类方法提取人脸图像内涵特征的能力有限，其识别效果也难令人满意。随着认知科学和脑科学的发展，为深层网络技术提供了新的视角和思路。人们模拟人脑分层特征表达的结构，提出了多种深层网络模型。深层网络采用非线性、多层网络的结构，逐层提取人脸图像的特征，该类方法提取的特征具有更强的抽象性和判别力，适用于复杂的分类问题。深度学习自提出来，便吸引了众多研究学者的关注，成为了模式识别领域的一颗新星。本文将深度学习技术应用于人脸识别

  3. 所属分类：深度学习

    • 发布日期：2018-07-09
    • 文件大小：3145728
    • 提供者：qq_41743623

  1. 用于微博情感分析的一种情感语义增强的深度学习模型

  2. 基于神经语言模型的词向量表示技术能够从大规模的未标注文本数据集中自动学习词语的有效特征表 示，已经在许多自然语言处理任务及研究中取得重要进展．微博中的表情符号是微博情感分析最重要的特征之一， 已有大量的研究工作在探索有效地利用表情符号来提升微博情感分类效果．借助词向量表示技术，为常用表情符 号构建情感空间的特征表示矩阵ＲＥ；基于向量的语义合成计算原理，通过矩阵ＲＥ 与词向量的乘积运算完成词义 到情感空间的映射；接着输入到一个ＭＣＮＮ（Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　Ｃｏｎｖｏｌｕｔｉｏｎ　Ｎｅｕｒ

  3. 所属分类：深度学习

    • 发布日期：2018-01-20
    • 文件大小：1048576
    • 提供者：zhp881828

  1. 结合纹理特征和深度学习的行人检测算法

  2. 针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的

  3. 所属分类：其它

    • 发布日期：2020-05-10
    • 文件大小：676864
    • 提供者：weixin_38618312

  1. 基于深度学习的用户异常用电模式检测

  2. 针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。

  3. 所属分类：深度学习

    • 发布日期：2020-04-30
    • 文件大小：539648
    • 提供者：kamo54

  1. 基于深度学习神经网络的孤立词语音识别的研究.pdf

  2. 为了提高语音识别系统性能， 研究提出将自编码器深度学习神经网络应用于语音识别中。 该网络结构引入贪婪逐层预训练学习算法， 通过预训练和微调两个步骤， 提取出待识别语音信号的本质特征， 克服传统多层人工神经网络模型在训练时存在易陷入局部极小值且需要大量标签数据的问题。然后经过规整网络， 将任意长度帧的语音特征参 数规整到某一特定帧， 输入到分类器中进行语音识别。 对反向传播神经网络和自编码神经网络分别进行了仿真实验，结果表明深度学习神经网络识别准确度较传统神经网络提升了 26.1%， 是一种优良的

  3. 所属分类：深度学习

    • 发布日期：2020-04-25
    • 文件大小：428032
    • 提供者：weixin_39164435

  1. 基于深度学习的图像分类方法研究_孟丹.caj

  2. 本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象

  3. 所属分类：深度学习

    • 发布日期：2020-04-02
    • 文件大小：6291456
    • 提供者：olivia_ye

  1. softmax多分类.rar

  2. 在机器学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。他把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。

  3. 所属分类：机器学习

    • 发布日期：2020-03-21
    • 文件大小：120832
    • 提供者：qq_27047075

  1. 深度学习在设备故障预测与健康管理中的应用.pdf

  2. 在智能制造背景下， 大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识， 在领域自适应方面具有良好的数据适应性， 近年来逐渐成为设备故障预测与健康管理的研究热点， 并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用， 总结、分类和解释关于这一热点主题的主要文献， 讨论了各种体系结构和相关理论。在此基础上， 阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势

  3. 所属分类：深度学习

    • 发布日期：2020-03-14
    • 文件大小：709632
    • 提供者：weixin_46000743

  1. 深度信念网络分类算法python程序.docx

  2. 深度信念网络分类算法，内含受限玻尔兹曼机训练、BP分类微调拟合，最终完成深度信念网络分类算法的训练。算法以Python语言完成，包含多个子文件，全部写入该word文档。文档注释详细，适合学习。

  3. 所属分类：深度学习

    • 发布日期：2020-07-06
    • 文件大小：37888
    • 提供者：qq_43006184

  1. 机器学习-15. Keras深度学习框架

  2. 人工智能基础视频教程零基础入门课程 第十四章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Tenso

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：701497344
    • 提供者：suolong123

  1. 机器学习-09. 深度学习、TensorFlow安装和实现

  2. 人工智能基础视频教程零基础入门课程 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：747634688
    • 提供者：suolong123

  1. 机器学习-07. 分类评估、聚类（下）

  2. 人工智能基础视频教程零基础入门课程 第七章（下） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：383778816
    • 提供者：suolong123

  1. 机器学习-07. 分类评估、聚类（上）

  2. 人工智能基础视频教程零基础入门课程 第七章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：797966336
    • 提供者：suolong123

  1. 机器学习-06. 多分类、决策树分类、随机森林分类（下）

  2. 人工智能基础视频教程零基础入门课程 第六章（下） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：705691648
    • 提供者：suolong123

  1. 深度学习之图像分类—-多分类支持向量机（Multi-SVM）与softmax分类

  2. 本文学习自该大V 概述: 由于KNN算法的局限性,我们需要实现更强大的方法来实现图像分类，一般情况下该方法包含两个函数，一是评分函数(score function)，它是原始图像到每个分类的分值映射，二是损失函数(loss function)，它是用来量化预测分类标签的得分与真实标签的一致性的。该方法可以转化为一个最优化问题,在最优化过程中,将通过更新评分函数的参数来最小化损失函数的值,从而使得我们找到一个更好的评分函数(参数W)。 从图像到标签分值的参数化映射 评分函数将图像的像素值映射为各个

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：265216
    • 提供者：weixin_38612095

  1. 深度学习在线分类：流式深度学习中的时间序列分类-源码

  2. 使用深度学习在不同速度和漂移下进行数据流分类 流中深度学习的时间序列分类 处理高速到达的数据流需要开发可以提供快速而准确的预测的模型。 尽管深度神经网络是许多机器学习任务的最新技术，但它们在实时数据流场景中的性能仍是尚未完全解决的研究领域。 然而，最近有努力通过降低处理速度来使复杂的深度学习模型适用于流任务。 异步双管道深度学习框架的设计允许对传入的实例进行预测，并使用两个单独的层同时更新模型。 这项工作的目的是评估使用此框架进行数据流分类的不同类型的深层体系结构的性能。 我们在模拟为流的几个

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：100663296
    • 提供者：weixin_42151729

  1. DeepLearningReading：深度学习和机器学习微型项目。 当前项目：Deepmind Attentive Reader（rc数据）-源码

  2. 深度学习和机器学习实验 当前项目（2016年4月6日，星期三）： 目前正在复制Keras中的Deep Attentive Reader。 该模型的设计方法所述的方法相同。 到目前为止，结果一直在不断提高-达到10％的准确度后，我打算移至AWS实例以减少培训时间。 目录： 更多信息： 需要帮助： 重量：可根据要求提供-给我发送电子邮件 尝试的项目概述： EmbeddingKeras-将词向量整合到深度学习情感分类器中的成功尝试 Spark_Course_EDx-每周课程的输出 Keras

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：94371840
    • 提供者：weixin_42165973
« 12 3 4 5 6 7 8 9 10 ... 21 »