各种边缘检测算子；
灰度变换（对数变换）；
加噪声；
锐化（边缘增强）；
神经网络分类；
图像二值化；
线性平滑滤波；
直方图均衡化；
直方图均衡化及规定化；
中值滤波

本文档为2016年本人参加全国大学生数学建模参赛最后提交文档（文档中最后附录包含matlab代码）摘要小区开放是当今热议的缓解小区周边道路交通堵塞的方法之一，本文在一定假设的前提下，通过建合适的评价体系和数学模型，进行计算机仿真，得到定量的数据结论，对比分析不同小区在进行小区开放后，对周边道路的通行影响。
针对问题一，通过文献查找，获取相关的道路通行评价指标，结合小区周边实际情况，运用BP神经网络，得到一套合适的评价体系（道路交通运行指数，道路交通拥堵率，平均行程速度，平均延误时间）。
针对问题二，使用元胞自动机和网格化图，建立与现实情况相符合的静态建筑物道路参数和动态车辆通行模型，并考虑司机是否具有获得前方道路信息的能力，分别建立基于排队论思想和基于道路阻抗系数的路径选择策略模型。
针对问题三，将不同的小区类型进行合理抽象，得到基本典型结构。
结合由问题二得到的模型进行建模仿真，将得到的结果按照问题一得到的评价体系进行评价，并进行可视化和数据分析得到小区开放在一定程度上可以缓解小区周边道路交通压力。
针对问题四，根据问题三得到的结论，通过控制变量法对比各个条件下车流通行的情况，得出有利条件与不利条件。
提出合理的建议，并以简单书信形式表述。
关键词：小区开放、BP神经网络、元胞自动机、动态建模

利用小波神经网络对时间序列进行分析，并对交通流量进行预测

本资料为基于python的卷积神经网络(CNN)实现layer文件夹中包括卷积层、池化层、全连接层、relu层等基础层没有调用tensorflow,pytorch等深度学习框架，手动实现了各层的反向传播BP算法

【新能源微电网】新能源微电网是由分布式电源、储能设备、能量转换装置等组成的微型发配电系统，能够在独立或并网状态下运行，具有自我控制、保护和管理能力。
它结合了新能源发电，如太阳能和风能，以提高能源利用率，尤其在偏远地区提供电力供应。
然而，新能源的不稳定性给微电网的运行带来了挑战，如发电量预测和电网管理的困难。
【人工智能神经网络】人工神经网络是人工智能的核心组成部分，模拟生物神经网络结构，用于解决复杂问题，如信息处理和学习。
在新能源微电网领域，神经网络主要用于处理非线性和复杂的预测任务，如风力发电量和电力负荷的预测。
主要的神经网络分词法有：神经网络专家系统分词法和神经网络分词法，前者结合了神经网络的自学特性与专家系统的知识，后者通过神经网络的内在权重来实现正确分词。
【RBF神经网络】径向基函数（RBF）神经网络是神经网络的一种，常用于预测任务。
它由输入层、隐藏层和输出层组成，其中隐藏层使用RBF作为激活函数，实现输入数据的非线性变换，从而适应复杂的数据模式。
在微电网中，RBF神经网络用于短期负荷预测，能有效处理非线性关系，降低外部因素对预测的干扰。
【微电网短期负荷预测】短期负荷预测对于微电网的能量管理和运行优化至关重要。
通过构建RBF神经网络模型，可以预测未来一定时间内的负荷变化。
预测模型的建立通常需要选择与负荷密切相关的输入数据，如时间、气温、风速等，并进行数据预处理。
MATLAB等工具可用于进行网络训练和仿真，以生成预测结果。
【风力发电预测】RBF神经网络同样适用于风力发电量的预测。
通过对风速、气压等相关因素的预测，可以估算微电网系统的风力发电潜力，帮助维持系统的稳定运行，减少风电波动对微电网的影响。
总结来说，人工智能神经网络，尤其是RBF神经网络，为解决新能源微电网中的挑战提供了有效工具。
通过精确预测新能源发电量和电力负荷，可以优化微电网的运行效率，确保其稳定性和自给自足的能力。
此外，这种技术还能促进可再生能源的有效利用，有助于推动能源行业的可持续发展。

DeepLearningToolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。
您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。
应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。
对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。
了解深度学习工具箱的基础知识深度学习图像从头开始训练卷积神经网络或使用预训练网络快速学习新任务使用时间序列，序列和文本进行深度学习为时间序列分类，回归和预测任务创建和训练网络深度学习调整和可视化绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能并行和云中的深度学习通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络深度学习应用通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程深度学习导入，导出和自定义导入和导出网络，定义自定义深度学习图层以及自定义数据存储深度学习代码生成生成MATLAB代码或CUDA®和C++代码和部署深学习网络函数逼近和聚类使用浅层神经网络执行回归，分类和聚类时间序列和控制系统基于浅网络的模型非线性动态系统;使用顺序数据进行预测。

这是一个在MATLAB上面可以运行的极限学习机算法实例，文件中，包含了多个极限学习机样例，ELM说白了就是另一种神经网络，其作用相似，效果又不同，比如其离散型更强等，建议直接修改接口，方便调试

神经网络正则化，有效解决网络在训练过程中的过拟合。

神经网络模型能够从音频演讲中检测出五种不同的男/女情绪(DeepLearning,NLP,Python)

编程环境：Anaconda中的notebook；
利用三层神经网络实现MNIST数据库（CSV格式）的手写字符识别；
并且计算出识别的准确率

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。