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. DeepLearning关于稀疏自编码器的资料

  2. Sparse deep-learning algorithm for recognition and categorisation sparseae_exercise sparseAutoencoder稀疏自编码 稀疏编码算法概述 稀疏编码算法中的自适应问题研究

  3. 所属分类：专业指导

    • 发布日期：2013-10-09
    • 文件大小：12582912
    • 提供者：kuaizi_sophia

  1. 深度学习MATLAB源码（无错误）

  2. 本文档中包含了关于深度学习的源代码，用matlab编写，有测试实例并且有相应结果输出，深度信念网络、卷积神经网络、自编码器、NN网络等可用代码，经测试没有任何错误可以直接下载运行！

  3. 所属分类：其它

    • 发布日期：2016-04-08
    • 文件大小：14680064
    • 提供者：liuliting2012

  1. 自动编码器

  2. 用于深度学习，自编码器的网络编程源码，请自行下载哦

  3. 所属分类：Python

    • 发布日期：2018-05-18
    • 文件大小：18432
    • 提供者：moxuan666

  1. 深度学习降维过程中的信息损失度量研究

  2. 深度学习是当前智能识别、数据挖掘等领域最重要的研究方向,通过组合低层特征,形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示.数据降维是深度学习过程中最为常见的一种过程,通过降维,能够去除数据间的相关性,便于提取更为有用的数据特征,提升识别率,加快识别速度.数据降维过程中,必然导致数据信息的损失,如何统计运用这个信息损失,目前还少有相关文献进行研究.通过对栈式自编码器深度学习算法进行研究,提出一种深度学习降维信息损失度量方法,将香农信息理论运用到降维信息损失度量中,计算深度学习降

  3. 所属分类：深度学习

    • 发布日期：2018-06-14
    • 文件大小：890880
    • 提供者：qq_28339273

  1. autoencoder自编码器tensorflow代码

  2. tensorflow实现的自编码器，带有详细注释，使用MNIST作为数据集，安装好python及tensorflow即可运行

  3. 所属分类：深度学习

    • 发布日期：2018-01-16
    • 文件大小：4096
    • 提供者：qq_21564215

  1. 基于深度学习的交通拥堵预测模型研究 *

  2. 针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型 。 通过归纳合并交通流参数 、 环境状态 、 时段等基础数据来构建交通流特征向量并确定四种预测状态 。 采用深度学习的自编码网络方法从无 标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集 。 应用 Softmax 回归对有标签的新特征 集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测 。 通过仿真对比分析，预测模型具有较省略 特征学习的预测算法更好的预测性能，平均预测精度可达 85% 。

  3. 所属分类：讲义

    • 发布日期：2018-02-07
    • 文件大小：185344
    • 提供者：ys1091895525

  1. 深度学习工具箱

  2. 有BP神经网络，卷积神经网络，自编码器等深度学习的matlab代码，包含数据

  3. 所属分类：深度学习

    • 发布日期：2018-09-27
    • 文件大小：14680064
    • 提供者：neongod111

  1. 基于栈式稀疏自编码器的矿用变压器故障诊断

  2. 鉴于将深度学习应用于变压器故障诊断具有良好的故障诊断效果,提出了一种基于栈式稀疏自编码器的矿用变压器故障诊断方法。通过在自编码器隐含层引入稀疏项限制构成稀疏自编码器,再将多个稀疏自编码器进行堆叠形成栈式稀疏自编码器,并以Softmax分类器作为输出层,建立矿用变压器故障诊断模型;利用大量无标签样本对模型进行无监督预训练,并通过有监督微调优化模型参数。算例分析结果表明,与栈式自编码器相比,栈式稀疏自编码器应用于矿用变压器故障诊断具有更高的准确率。

  3. 所属分类：其它

    • 发布日期：2020-05-13
    • 文件大小：435200
    • 提供者：weixin_38619967

  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. Omniglot数据集自编码器的设计与实现

  2. 该压缩包包含Omniglot数据集以及完整的代码（保证可以运行）、文档说明、训练集。使用Tensor Flow框架深度学习实现，最终效果基本接近于100%，效果较好，大家可以自己进行下载研究，良心作品，期末作业进行实现的，现在供大家参考。

  3. 所属分类：深度学习

    • 发布日期：2020-04-13
    • 文件大小：2097152
    • 提供者：qq_40432886

  1. 深度学习基础，英文原版+中文翻译

  2. 1.稀疏自编码器 神经网络 反向传导算法 梯度检验与高级优化 自编码算法与稀疏性 可视化自编码器训练结果 2.矢量化编程实现 矢量化编程 逻辑回归的向量化实现样例 神经网络向量化 3.预处理：主成分分析与白化 主成分分析 白化 实现主成分分析和白化 4.Softmax回归 5.自我学习与无监督特征学习 6.建立分类用深度网络 7.自编码线性解码器 8.处理大型图像 9.稀疏编码 10.独立成分分析样式建模

  3. 所属分类：深度学习

    • 发布日期：2020-07-10
    • 文件大小：9437184
    • 提供者：Vicrobert

  1. 深度学习的 自编码器

  2. MIT版深度学习第14章 自编码器 ，非监督学习对没有标记的数据最常见的应用就是通过聚类(Clustering)的方式将数据进行分类，高维的数据要用自编码器来降低数据的维度

  3. 所属分类：深度学习

    • 发布日期：2020-11-04
    • 文件大小：10485760
    • 提供者：baidu_35560935

  1. Keras搭建自编码器操作

  2. 简介： 传统机器学习任务任务很大程度上依赖于好的特征工程，但是特征工程往往耗时耗力，在视频、语音和视频中提取到有效特征就更难了，工程师必须在这些领域有非常深入的理解，并且需要使用专业算法提取这些数据的特征。深度学习则可以解决人工难以提取有效特征的问题，大大缓解机器学习模型对特征工程的依赖。 深度学习在早期一度被认为是一种无监督的特征学习过程，模仿人脑对特征逐层抽象的过程。这其中两点很重要：一是无监督学习；二是逐层训练。例如在图像识别问题中，假定我们有许多汽车图片，要如何利用计算机进行识别任务呢

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：141312
    • 提供者：weixin_38641561

  1. 代码实践 | 自编码器

  2. 前情回顾 戳上方蓝字【阿力阿哩哩的炼丹日常】关注我~ 今天继续给大家介绍第四章的内容 前面我们介绍了: 深度学习开端-全连接神经网络 一文掌握CNN卷积神经网络 超参数（Hyperparameters）|  上 超参数（Hyperparameters）|  下 寄己训练寄己｜自编码器 通熟易懂RNN｜RNN与RNN的变种结构 | 上 通俗易懂LSTM｜RNN的变种结构 | LSTM长短期记忆网络 通俗易懂GRU｜门控循环单元(gated recurrent unit， GRU) 代码实践 |

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：580608
    • 提供者：weixin_38658085

  1. 基于栈式自编码的水体提取方法

  2. 为了进一步提高利用遥感图像进行水体提取的准确率和自动化程度，提出一种基于栈式自编码( SAE) 深度神经网络的水体提取方法。通过堆叠稀疏自编码器构建深度网络模型，使用逐层贪婪训练法依次训练每层网络，从像素层面无监督学习特征，避免传统神经网络等方法需进行人工特征分析与选取的问题; 用学习到的特征结合相应的样本标签有监督训练 softmax 分类器; 利用反向传播( BP) 算法微调优化整个模型。采用塔里木河 ETM + 数据进.行实验，基于 SAE 的水体提取方法准确率达到 94． 73% ，比支

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：256000
    • 提供者：weixin_38622475

  1. 针对数据科学的深度学习：针对Tensorflow和Keras的深度学习案例研究，适用于初学者-高级：ANN，CNN，RNN，自组织地图，Boltzmann机器，堆叠式自动编码器-源码

  2. 深度学习 有关深度学习的信息以及深度学习的工作原理？ 深度学习的整个思想是模仿人的大脑如何工作，因为人脑是最强大的学习工具之一。 与人脑相比，神经网络是指自然界中有机或人工神经元系统。 神经元是神经网络的基本构建块。 图1可视化了神经元的体系结构。 神经元的身体位于图的左下部，从那里出现的分支称为树突（信号的接收者），神经元具有轴突（信号的发送者），即将神经元的身体连接到其他神经元的长尾巴，在深度学习术语中通常称为突触。 然后，信号通过突触传递到其他受体。 然后，单元主体将所有这些输入信号求

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：532480
    • 提供者：weixin_42097668

  1. 深度学习：适用于《深度学习》的Python，该书为《深度学习》（花书）数学推导，原理剖析与源码等级代码实现-源码

  2. 深度学习 《深度学习》是深度学习领域唯一的综合性图书，全称也叫做深度学习AI圣经（深度学习） ，由三位全球知名专家Ian Goodfellow，YoshuaBengio，AaronCourville编着，全书囊括了数学及相关概念的背景知识，包括线性代数，概率论，信息论，数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络，正则化，优化算法，卷积网络，序列建模和实践方法等，并研究了某种自然语言处理，语音识别，计算机视觉，在线推荐系统，生物信息学以及视

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：29360128
    • 提供者：weixin_42132359

  1. 深度学习自编码的Java实现

  2. 深度学习自编码器即Java实现 ​ 自编码（Auto-Encode）是一种无监督学习，不给定标签向量，它可以借助神经网络来实现，将神经网络的输入和输出进行对比来不断地重构误差，修正神经网络中各层节点的权值和偏量，使得网络的输出不断地逼近输入，理想状态下可以使得输出等于输入，而神经网络隐含层中的某一层（例如隐含层最中间的那一层）的输出值可以作为已编码数据进行使用。 ​ 自编码器的训练过程是一种对原数据特征的提取，通过不断地训练数据从而得到蕴含原数据主要特征的目标数据，目标数据在维度上是低于原数

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：67584
    • 提供者：weixin_38716872

  1. MachineLearning学习——0220——深度学习之卷积神经网络、自编码器

  2. 参考：https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/22.md https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/23.md 由于之前有了解CNN，该文章将跳过大部分细节，仅供本人记录学习过程用 卷积神经网络Convolutional Neural Network 介绍：与多层感知机的结构很相似：输入层，一些隐藏层，输出层，这些层多由卷积层、

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：135168
    • 提供者：weixin_38652870

  1. 无线网络信号传输建模：一种区间二型模糊集成深度学习方法

  2. 针对常用的信号传输模型存在使用场景单一、预测精度不佳的问题，提出一种适用于多场景的数据驱动无线信号传输模型。首先根据先验知识从预处理后的数据构造初始特征，接着进行特征选择，以得到输入特征集合。然后分析建模需求，选择深度置信网络（DBN）、残差网络（ResNet）和堆叠自编码器（SAE）作为区间二型模糊规则的后件（个体深度学习器），经过区间二型模糊推理进行集成。最后采用5G网络信号传输实测数据，并进行实验验证。结果表明，3种个体深度学习器在测试集上的表现均优于Cost231-Hata模型和反向传播

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：5242880
    • 提供者：weixin_38694336
« 12 3 4 5 »