Matlab相关反演程序,matlab图像处理包括数据反演以及其他图像的基础处理,打开文件夹中GUI.m直接运行即可。
采用gui界面设计,包括温度叶绿色等的反演以及bp神经网络、贝叶斯算法等图像分类,以及图像旋转等简单操作。
由于对fig使用不甚了解,所有界面均直接有代码设计完成。
2025/1/27 9:41:07 1.81MB Matlab
1
深度学习、人工智能、机器学习、卷积神经网络的调研。
2025/1/27 2:32:44 956KB 深度学习 卷积神经网络 调研
1
Matlab用自适应线性神经网络进行预测的实例-用自适应线性神经网络进行预测的实例.rar用自适应线性神经网络进行预测的实例
2025/1/26 19:29:32 796B matlab
1
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮,并赢得了2012届图像识别大赛的冠军,使得CNN成为在图像分类上的核心算法模型。
2025/1/25 21:31:35 5KB 深度学习
1
一份ppt介绍传统神经网络和卷积神经网络的区别和原理。
并提供了代码实现
2025/1/25 16:54:57 6.4MB 深度学习
1
这是非常实用的基于RBF神经网络的PID控制仿真代码,可以通过参数自适应整定来实现功能,请大家参考!
2025/1/25 9:28:22 3KB PID RBF MATLAB代码
1
本问主要以预测秦皇岛煤炭价格为目标,通过问题一中不同因素对其影响权重的大小以及神经网络算法,建立价格预测模型。
BP神经网络模型处理信息的基本原理是:输入信号,通过中间节点(隐层点)作用于输出节点,经过非线性变换,产生输出信号,网络训练的每个样本包括输入向量和期望输出量t,网络输出值y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线性转换的信息。
1
结合高光谱数据和深度学习的特点,提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下:首先利用主成分分析法对高光谱遥感图像进行光谱特征提取,消除特征之间的相关性,并降低特征维数,获得清晰的空间结构;
然后利用深度卷积神经网络对输入的样本进行空间特征提取;
最后通过学习到的高级特征进行回归训练
2025/1/22 10:55:54 3.25MB 深度学习 高光谱图像 分类
1
深度学习(DeepLearning)是近年来提出的一种利用具有多个隐层的深度神经网络(DeepNeuralNetwork,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。
2025/1/19 7:51:09 10.13MB 深度学习 图像识别
1
西瓜书学习笔记,用Xmind做的记录,里面包括线性模型、神经网络、决策树、SVM、贝叶斯、EM、聚类、降维、半监督、强化等
2025/1/18 7:44:22 5.23MB 西瓜书 Xmind 笔记
1
共 1000 条记录 首页 上一页 下一页 尾页
在日常工作中,钉钉打卡成了我生活中不可或缺的一部分。然而,有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚,我总是得牢记打开钉钉应用,点击"工作台",再找到"考勤打卡"进行签到。有时候因为工作忙碌,会忘记打卡,导致考勤异常,影响当月的工作评价。而且,由于我使用的是苹果手机,有时候系统更新后,钉钉的某些功能会出现异常,使得打卡变得更加麻烦。 另外,我的家人使用的是安卓手机,他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说,每次打卡都是一次挑战。他们总是担心自己会操作失误,导致打卡失败。 为了解决这些烦恼,我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习,我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03 15KB 钉钉 钉钉打卡