仅使用numpy从头开始实现神经网络,包括反向传播公式推导过程;numpy构建全连接层、卷积层、池化层、Flatten层；
以及图像分类案例及精调网络案例等

注意是基于matlab编写的。
本代码简单好用，适合新手和有一定matlab基础的同学

卷积码(2_1_3)编译器的设计，卷积码原理、发展，卷积码编码过程和维特比译码。

小波变换的图像处理%MATLAB2维小波变换经典程序%FWT_DB.M;%此示意程序用DWT实现二维小波变换%编程时间2004-4-10，编程人沙威%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clear;clc;T=256;%图像维数SUB_T=T/2;%子图维数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%1.调原始图像矩阵loadwbarb;%下载图像f=X;%原始图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%2.进行二维小波分解l=wfilters('db10','l');%db10（消失矩为10)低通分解滤波器冲击响应（长度为20）L=T-length(l);l_zeros=[l,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂h=wfilters('db10','h');%db10（消失矩为10)高通分解滤波器冲击响应（长度为20）h_zeros=[h,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂fori=1:T;%列变换row(1:SUB_T,i)=dyaddown(ifft(fft(l_zeros).*fft(f(:,i)'))).';%圆周卷积FFTrow(SUB_T+1:T,i)=dyaddown(ifft(fft(h_zeros).*fft(f(:,i)'))).';%圆周卷积FFTend;forj=1:T;%行变换line(j,1:SUB_T)=dyaddown(ifft(fft(l_zeros).*fft(row(j,:))));%圆周卷积FFTline(j,SUB_T+1:T)=dyaddown(ifft(fft(h_zeros).*fft(row(j,:))));%圆周卷积FFTend;decompose_pic=line;%分解矩阵%图像分为四块lt_pic=decompose_pic(1:SUB_T,1:SUB_T);%在矩阵左上方为低频分量--fi(x)*fi(y)rt_pic=decompose_pic(1:SUB_T,SUB_T+1:T);%矩阵右上为--fi(x)*psi(y)lb_pic=decompose_pic(SUB_T+1:T,1:SUB_T);%矩阵左下为--psi(x)*fi(y)rb_pic=decompose_pic(SUB_T+1:T,SUB_T+1:T);%右下方为高频分量--psi(x)*psi(y)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%3.分解结果显示figure(1);colormap(map);subplot(2,1,1);image(f);%原始图像title('originalpic');subplot(2,1,2);image(abs(decompose_pic));%分解后图像title('decomposedpic');figure(2);colormap(map);subplot(2,2,1);image(abs(lt_pic));%左上方为低频分量--fi(x)*fi(y)title('\Phi(x)*\Phi(y)');subplot(2,2,2);image(abs(rt_pic));%矩阵右上为--fi(x)*psi(y)title('\Phi(x)*\Psi(y)');subplot(2,2,3);image(abs(lb_pic));%矩阵左下为--psi(x)*fi(y)title('\Psi(x)*\Phi(y)');subplot(2,2,4);image(abs(rb_pic));%右下方为高频分量--psi(x)*psi(y)title('\Psi(x)*\Psi(y)');%%%%%%%

卷积神经网络的权值优化算法

本人利用MATLAB软件对卷积码进行了编码与译码的仿真，最后输出了误码率的改变结果比较。

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。
使用TensorFlowFramework和Keras库实现了CNN。
在GoogleColab上以60,000张图像训练模型

《MilanSonka-ImageProcessing,AnalysisandMachineVision》是图像处理、分析和机器视觉领域的一本经典教材，第3版提供了高清英文原版的PDF版本。
这本书深入浅出地探讨了图像处理的基础理论和应用，是计算机视觉、电子工程、生物医学工程等相关专业学生和研究人员的重要参考书。
我们要理解图像处理的基本概念。
图像处理涉及到对数字图像进行各种操作，以改善其质量、提取有用信息或进行分析。
这包括图像增强、去噪、分割和复原等技术。
例如，图像增强通过调整亮度、对比度来优化视觉效果；
去噪则通过滤波器去除图像中的噪声；
图像分割将图像区域划分为不同的对象或类别，便于进一步分析。
机器视觉则是图像处理的一个重要应用领域，它使计算机能够“看”并理解图像。
在《MilanSonka》一书中，读者可以学习到如何构建和应用机器视觉系统。
这包括特征检测（如边缘检测、角点检测）、模板匹配、模式识别和物体识别等技术。
这些技术在自动驾驶、无人机导航、工业自动化和医疗诊断等领域有着广泛应用。
此外，书中还涵盖了与机器学习相关的主题，如监督学习和无监督学习，它们在图像分类、目标检测和图像识别任务中至关重要。
支持向量机（SVM）、神经网络、深度学习框架（如卷积神经网络CNN）等现代机器学习方法也是书中讨论的重点。
深度学习，尤其是深度卷积网络，已经在图像处理和计算机视觉领域取得了突破性进展，极大地推动了人脸识别、图像生成和自动驾驶等技术的发展。
书中还涉及到了图像分析，这是对图像内容进行理解和解释的过程。
这包括图像理解、场景分析和行为识别。
图像理解需要从图像中提取高级语义信息，比如识别出图像中的物体、场景和事件。
场景分析则涉及环境的理解，例如确定图像中的背景、前景和物体之间的关系。
行为识别则关注动态图像中的动作和活动，如行人跟踪和运动分析。
书中还涵盖了实际应用中的算法实现和评估方法，这对于任何从事图像处理和机器视觉研究的人来说都是必不可少的知识。
实验部分通常会介绍如何使用编程语言（如MATLAB或Python）实现所讨论的算法，并提供数据集和代码示例。
《MilanSonka-ImageProcessing,AnalysisandMachineVision》是一部全面覆盖图像处理、分析和机器视觉的教材，无论你是初学者还是经验丰富的专业人士，都能从中受益匪浅。
通过深入学习这本书，你可以掌握图像处理的基本原理，理解机器视觉的核心技术，并了解如何将这些知识应用于实际项目中。

使用pytorch演示卷积，反卷积，池化等运算。
。
。
。
。
。

采用matlab仿真了卷积编码在BPSK调制下通过AWGN信道是的性能分析。
包含不同参数下卷积码的误码率曲线比较，包括'未使用编码'与'使用卷积编码'的比较，不同回溯长度、不同码率、不同约束长度的误码率曲线

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。