14篇论文内容分别如下：R-CNN，FastR-CNN，FasterR-CNN，CascadeR-CNN，MaskR-CNN，GridR-CNN，R-FCN，YOLO，SSD，FPN，RetinaNet，CornerNet，FoveaBox，Ours

基于神经网络的图像分割matlab代码应用于图像分割处理技术的研究

第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31．1人工神经网络的起源……………………………………………………31．2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42．1神经元及其特性…………………………………………………………52．2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73．1Hopfield网络…………………………………………………………73．2反向传播(BP)网络……………………………………………………83．3Kohonen网络…………………………………………………………83．4自适应共振理论(ART)……………………………………………………93．5学习矢量量化（LVQ）网络…………………………………………11§1.4多层前馈神经网络（ＢＰ）模型…………………………………………124．1BP网络模型特点 ……………………………………………………124．2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144．3网络的训练过程………………………………………………………154．4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174．5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254．1样本的预处理………………………………………………………254．2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305．1面板堆石坝堆石体垂直压缩模量的控制……………………………305．2水布垭面板堆石坝变形的预测……………………………………355．3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………

基于灰色理论与神经网络的水质组合预测模型的研究是当前水质预测领域的研究热点之一，国内外众多研究者都在尝试如何将灰色理论与神经网络进行有效组合，以获得更好的预测效果。
因此，本文在借鉴前人的成果基础上，采用串联组合方法分别对基于灰色理论与神经网络的水质组合预测模型、基于灰色理论与神经网络的水质组合预测模型进行了对比研究，同时提出了一种预测效果更佳的基于时间窗口移动技术与神经网络的水质组合预测模型。
首先，本文根据中国环境质量公报（淡水环境）中长江水环境质量状况以及结合重庆市长江流域断面的实际情况筛选出七项水质指标，然后论述了灰色模型、神经网络以及神经网络的相关理论和算法，接着建立了基于灰色理论与神经网络的水质组合预测模型和基于灰色理论与神经网络的水质组合预测模型，并以重庆市长江寸滩断面1998年至2008年的水质数据为例进行了实例测试和结果分析，也对两种组合预测模型的结果进行了对比与讨论，得出了后者预测效果更好等结论。
与此同时，通过以上两种组合预测模型的研究，本文提出了基于时间窗口移动技术与神经网络的水质组合预测模型，并仍以长江寸滩断面为例，经过研究和实例测试表明该模型能够较好的对长江流域寸滩断面的水质进行预测，在整体上其预测效果比前两种组合预测模型更为理想，而且该模型能够较好地应用于水质指标预测和管理中，为河流水质预测提供重要的科学依据。
最后，本文采用基于神经网络的水质评价模型对重庆市长江寸滩各年的水质进行了等级评价，并与中国环境保护部公布的水质评价结果进行了对比分析，其结果表明水质评价结果在一定程度上能够正确地反映长江寸滩当前的水质状况。

包含两个图像分类的资源1.bp算法用matlab实现图像分类已调试可以运行2.基于神经网络的图像分类，数据资源是基于CIFAR-10，内含训练测试数据（batch），是唐宇迪深度学习入门课程的修改代码，python3版本源码公开，仅供学习使用。

基于神经网络的语音识别MATLAB代码

基于神经网络车牌识别识别，完整源代码和论文，运行效果良好，识别率60%，供参考，matlab2016版本运行

适合零基础学习的代码。
本设计完全基于matlab开发车牌识别系统，修复原代码中的BUG，适用于matlab2014a。
图示车牌识别的各个过程，最后基于神经网络算法完成分类识别。

更好地对信誉卡申请人进行识别和判断,提高银行预防和抵抗信誉卡风险的能力,是所有银行迫切需要解决的问题。

这里面包含整个基于神经网络深度学习完成人脸识别项目，包括原始数据训练数据训练模型测试数据等

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。