Genetic Neural Network-Based Image Segmentation MATLAB Source Code

该项目涉及图像分割，使用量子遗传算法优化最大熵法进行图像多阈值处理。内容涵盖了智能优化算法、神经网络预测、信号处理等多个领域的MATLAB仿真代码。

MATLAB小波图像边缘检测源码，实现了利用小波对图像边缘检测。含实验报告。

本项目包含用于带深度学习的监控视频中的人体分割的官方培训和测试代码（多媒体工具和应用程序，2020年）。请参阅技术细节，视频演示已提供。该实现基于MATLAB R2018a构建，因此需要安装深度学习工具箱。请注意，本教程假定您的根文件夹为/human-segmentation/，如使用其他目录，请相应修改命令。 文件结构 您的文件结构应如下所示：/human-segmentation/dataset/imageDataset/train/test/val/pixelLabelDataset/train/test/val/myColorMap.mpixelLabelColorbar.mpreprocessImage.msemanticseg_newImage.mtestMySegnet.mtrainMySegnet.m 使用方法 运行trainMySegnet.m以训练网络，运行testMySegnet.m以进行测试。

ESP-DNN: Graph Convolutional Deep Neural Network for Predicting Electrostatic Potential Surfaces from DFT Calculations This repository contains trained models and code designed for generating ligands and proteins, creating electrostatic potential (ESP) surfaces that closely resemble DFT-quality molecular surfaces. The PQR files generated by our model include atomic charges and dipole-like atomic features, such as lone pairs, σ-conjugation, and p-orbitals. To generate ligand PQR files, a graph convolutional deep neural network (DNN) model was trained on about 100,000 molecules with ESP surfaces derived from DFT calculations. For proteins, parameterized charges of amino acids were used, ensuring compatibility with the ligand ESP surfaces generated by the DNN model. For more detailed methods and validation information, refer to the full documentation. System Requirements The program can only run on 64-bit Linux operating systems. Installation Instructions To run ESP-DNN, you will need to:1. Clone this repository.2. Set up Python and required dependencies.3. (Optional) Install additional packages. The package has been developed and tested with Python 2.7 and the following third-party libraries:- rdkit == 2018.09.3- keras == 2.2.4- tensorflow == 1.10.0- num

该存储库提供了JCSA-RM方法用于RGB-D图像分割和分析的MATLAB实现。JCSA-RM方法结合了RGB和深度信息，通过联合色彩空间轴向聚类和区域合并来实现图像分割。此存储库包含以下功能演示： 从mat文件中加载RGB-D图像数据（包括RGB图像、深度图像和法线数据），并显示它们。 生成并显示分割结果图像。 如何使用演示：- 运行MATLAB文件RGBD_Seg_JCSA_RM.m以使用GUI版本，或者运行demo_NO_GUI.m进行非GUI版本的演示。- 数据加载：使用样件名如rgbd_info_1.mat，rgbd_info_2.mat，rgbd_info_1_better_normals.mat，或rgbd_info_2_better_normals.mat。- 选择_better_normals版本，尝试使用无歧义的表面法线进行更精确的分割。- 在测试选项中选择不同的测试方法：a) JCSAb) JCSD 此代码库经MATLAB 2017b版本测试，适用于RGB-D图像分析的实验和研究。

用于小波神经网络MATLAB程序模拟，建议初学者好好看看，有一定作用。

MATLAB BP神经网络以及GABP神经网络，包括数据.mat，并附有详细注释，便于更改和理解。

在VC中调用MATLAB神经网络工具箱，介绍如何利用COM组件实现VC与MATLAB之间的数据交换。首先，在MATLAB中完成两个神经网络函数，一个用于检验，另一个用于预测。

在IT领域，聚类算法是数据挖掘中的重要分支，用于发现数据集中的自然群体或类别。此名为“广义神经网络的聚类算法-网络入侵聚类”的案例中，主要使用MATLAB进行开发，展示了针对网络入侵检测的聚类分析。网络入侵聚类在网络安全中是关键问题，特别是在异常检测领域。MATLAB的神经网络库提供了强大的工具，能够构建并训练不同类型的广义神经网络（GNN）。GNN作为一种非监督学习方法，通过加权距离计算形成聚类，尤其适用于处理复杂的非线性问题。 聚类算法在异常检测中的应用主要是通过识别与正常流量显著不同的模式，来发现潜在的入侵行为。此案例中，可能用到了自适应共振理论（ART）或自组织映射（SOM），这些网络可以自我组织并形成数据的拓扑结构，适合处理高维数据的聚类任务。 在实际操作中，MATLAB代码对网络入侵数据进行了预处理，包括数据清洗、缺失值处理和特征选择等步骤。然后将预处理后的数据输入到神经网络模型中，通过迭代训练优化聚类结果。通过轮廓系数和Calinski-Harabasz指数等评估模型性能，最终可视化聚类结果，以帮助理解不同数据群体间的关系。