用java实现卷积神经网络，平台是eclipse，如何用eclipse导入可以参考http://blog.csdn.net/baidu_37107022/article/details/70209949，作者是http://www.cnblogs.com/fengfenggirl

c-c++写的卷积神经网络,没有使用库，都是自己写的函数，是vs工程文件，minst手写库识别，最基础的cnn

上图视频测试链接：https://www.bilibili.com/video/BV13E411c7Mv/1.3D卷积神经网络相比于2D卷积神经网络，3D卷积神经网络更能很好的利用视频中的时序信息。
因此，其主要应用视频、行为识别等领域居多。
3D卷积神经网络是将时间维度看成了第三维。
人类行为识别的实际应用：安防监控。
（检测识别异常行为：如打架，偷东西等）监视和培训新人工作来确保任务执行正确。
（例如，鸡蛋灌饼制作程序：和面，擀面团，打鸡蛋，摊饼等动作）判断检测食品服务人员是否按规定洗手。
自动对视频数据分类。
人类的行为识别，在实际生活环境中，在不同的场景会存在着背景杂乱、遮挡和视

完整的OFDM仿真。
基于matlab平台开发，包含了信道卷积编码，信道交织编码，导频，降PAPR矩阵变化，IFFT，定时同步，频率同步，解交织等等一系列的完整过程。

第1章绪论1．1历史回顾1．2电通信系统的基本组成1．2．1数字通信系统1．2．2数字通信的早期工作1．3通信信道及其特征1．4通信信道的数学模型1．5本书的结构1．6深入学习第2章信号和系统的频域分析2．1傅里叶级数2．1．1实信号的傅里叶级数：三角傅里叶级数2．2傅里叶变换2．2．1实信号、偶信号和奇信号的傅里叶变换2．2．2傅里叶变换的基本性质2．2．3周期信号的傅里叶变换2．3功率和能量2．3．1能量型信号2．3．2功率型信号2．4带宽受限信号的抽样2．5带通信号2．6深入学习习题第3章模拟信号的发送和接收3．1调制简介3．2振幅调制(AM)3．2．1双边带抑制载波AM3．2．2常规振幅调制3．2．3单边带AM3．2．4残留边带AM3．2．5AM调制器和解调器的实现3．2．6信号多路复用3．3角度调制3．3．1FM信号和PM信号的表示形式3．3．2角度调制信号的频谱特性3．3．3角度调制器和解调器的实现3．4无线电广播和电视广播3．4．1AM无线电广播3．4．2FM无线电广播3．4.3电视广播3．5移动无线电系统3．6深入学习习题第4章随机过程4．1概率及随机变量4．2随机过程：基本概念4．2．1随机过程的描述4．2．2统计平均4．2．3平稳过程4．2．4随机过程与线性系统4．3频域中的随机过程4．3．1随机过程的功率谱4．3．2线性时不变系统的传输4．4高斯过程及白过程4．4．1高斯过程4．4，2白过程4．5带限过程及抽样4．6带通过程4．7深入学习习题第5章模拟通信系统中的噪声影响5．1噪声对线性调制系统的影响5．1．1噪声对基带系统的影响5．1．2噪声对DSB-SCAM的影响5．1．3噪声对SSBAM的影响5．1．4噪声对常规调幅的影响5．2使用锁相环(PLL)进行载频相位估计5．2．1锁相环5．2．2加性噪声对相位估计的影响5．3噪声对角度调制的影响5．3．1角度调制的门限效应5．3．2预加重和去加重滤波5．4模拟调制系统的比较5．5模拟通信系统中传输损耗和噪声的影响5．5．1热噪声源的特征5．5．2噪声温度效应及噪声系数5．5．3传输损耗5．5．4信号传输中继器5．6深入学习习题第6章信源与信源编码6．1信源的数学模型6．1．1信息的度量6．1．2联合熵与条件熵6．2信源编码理论6．3信源编码算法6．3．1霍夫曼信源编码算法6．3．2Lempel-Ziv信源编码算法6．4率失真理论6．4．1互信息量6．4．2微分熵6．4．3率失真函数6．5量化6．5．1标量量化6．5．2矢量量化6．6波形编码6．6．1脉冲编码调制(PCM)6．6．2差分脉冲编码调制(DPCM)6．6．3增量调制(M)6．7分析-合成技术6．8数字音频传输和数字音频记录6．8．1电话传输系统中的数字音频信号6．8．2数字音频录制6．9JPEG图像编码标准6．10深入学习习题第7章加性高斯白噪声信道中的数字传输7．1信号波形的几何表示7．2脉冲振幅调制7．3二维信号波形7．3．1基带信号7．3．2二维带通信号--载波相位调制7．3．3二维带通信号--正交振幅调制7．4多维信号波形7．4．1正交信号波形7．4．2双正交信号波形7．4．3单纯信号波形7．4．4二进制编码的信号波形7．5加性高斯白噪声信道中数字已调信号的最佳接收机7．5．1相关型解调器7．5．2匹配滤波器型解调器7．5．3最佳检测器7．5．4载波振幅已调信号的解调和检测7．5．5载波相位已调信号的解调和检测7．5．6正交振幅已调信号的解调和检测7。
5．7频率已调信号的解调和检测7．6加性高斯白噪声中信号检测的错误概率7.6．1二进制调制的错误概率7．6．2M进制PAM的错误概率7．6．3相位相干PSK调制的错误概率7．6．4DPSK的系统错误概率7．6．5QAM的错误概率7．6．6M进制正交信号的错误概率7．6．7M进制双正交信号的错误概率7．6．8M进制单纯信号的错误概率7．6．9FSK的非相干检测的错误概率7．6．10调制方式的比较7．7有线和无线通信信道的性能分析7．7．1再生中继器7．7．2无线信道中的链路预算分析7．8码元同步7．8．1超前-滞后门同步法7．8．2最小均方误差法7．8．3最大似然准则法7．8．4频谱线法7．8．5载波已调信号的码元同步7．9深入学习习题第8章通过带限AWGN信道的数字传输8．1通过带限信道的数字传输8．1．1带限基带信道上的数字PAM传输8．1．2带限带通信道上的数字传输8．2数字已调信号的功率谱8．2．1基带信号的功率谱8．2．2载波已调信号的功率谱8．3带限信道的信号设计8．3．1无码间干扰的带限信号的设计--奈奎斯特准则8．3．2具有可控ISI的带限信号8．4检测数字PAM的错误概率8．4．1具有零ISI的PAM检测的错误概率8．4．2可控ISI的逐码元数据检测8．4．3部分响应信号检测的错误概率8．5与记忆有关的数字调制信号8．5．1有记忆的调制编码与调制信号8．5．2最大似然序列检测器8．5．3部分响应信号的最大似然序列检测8．5．4有记忆数字信号的功率谱8．6存在信道失真的系统设计8．6．1已知信道的发送和接收滤波器的设计8．6．2信道均衡8．7多载波调制和OFDM8．7．1FFT算法实现的OFDM系统8．8深入学习习题第9章信道容量与信道编码9.1信道模型9.2信道容量9．2．1高斯信道容量9.3通信的容限9．3．1模拟信号的PCM传输9.4可靠通信的编码9．4．1正交信号错误概率的紧界9．4．2编码的原则9.5线性分析码9.5．1线性分组码的译码及其性能9.5．2突发错误纠错编码9.6循环码9．6．1循环码的结构9．7卷积码9．7．1卷积码的基本性质9．7．2卷积码的最佳译码--维特比算法9．7．3卷积码的其他译码算法9．7．4卷积码的错误概率界限9．8复合编码9．8．1乘积码9．8．2链接码9．8．3Turbo码9．8．4BCJR算法9．8．5Turbo码的性能9．9带限信道的编码9．9．1编码与调制的结合9．9．2网格编码调制9．10信道编码的实际应用9．10．1深层空间通信的编码9．10．2电话线路调制解调器的编码9．10．3光盘编码9．11深入学习习题第10章无线通信10．1衰落多径信道上的数字传输10．1．1时变多径信道的信道模型10．1．2衰落多径信道的信号设计10．1．3频率非选择性瑞利衰落信道上的二进制调制性能10．1．4通过信号分集提高系统性能10．1．5频率选择性信道的调制和解调--RAKE解调器10．1．6多天线系统和空时编码10．2连续载波相位调制10．2．1连续相位FSK(CPFSK)10．2．2连续相位调制(CPM)10．2．3CPFSK和CPM的频谱特性10．2．4CPM信号的解调和检测10．2．5CPM在AWGN信道和瑞利衰落信道中的性能10．3扩频通信系统10．3．1扩频数字通信系统的模型10．3．2直接序列扩频系统10．3．3直接序列扩频信号的应用10．3．4脉冲干扰和衰落的影响10．3．5PN序列的生成10．3．6跳频扩频10．3．7扩频系统的同步10．4数字蜂窝通信系统10．4．1GSM系统10．4．2基于IS-95的CDMA系统10．5深入学习习题附录A多信道二进制信号接收时的错误概率参考文献

卷积反投影的实现卷积反投影的实现卷积反投影的实现卷积反投影的实现卷积反投影的实现

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

基于卷积神经网络处理中文文本分类

matlab开发-室内脉冲响应效应。
将输入信号与室内脉冲响应进行卷积

利用卷积神经网络（CNN）对高光谱图像进行分类，内含高光谱数据

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。