CNN代码

在这个项目中，我们试图实现灰色模型Matlab原始代码SC-CNN。请注意，代码正在更新中，并未完全完成。当前阶段已经实现了SC-CNN的第一部分。该代码使用的数据集与文中提到的数据集相同，同时也适用于其他数据集的训练。我们计划对代码进行进一步更新以解决已知问题，但目前仅使用主要数据集进行开发。请注意，无需手动下载数据集，所有数据处理均由代码完成。该代码基于Pytorch编写，支持在CPU或GPU上运行，也可以在多个GPU上并行运行。详细的运行说明可以在代码中找到。

这些代码是基于卷积神经网络的水果图像处理示例，作为论文“卷积神经网络应用于水果图像处理的回顾”，Applied Sciences，10（10）：3443（2020）的一部分而实现的。展示了水果分类和质量控制示例的实现方法，同时使用预训练模型进行了转移学习。示例以简单方式演示了CNN模型的实现方法，并且代码已注释并提供了描述性信息。详情请阅读原论文，也可在我们的实验室LITRP网站上获取代码。

MATLAB的CNNforCFD源代码包含一个示例代码，用于使用卷积神经网络预测钝体流的流体力。该代码在MATLAB 2017b版本上开发，并使用MATLAB-Neural Networks Toolbox。要使用此代码，用户需要确保他们具有MATLAB 2017b或更新版本，且带有Neural Networks Toolbox。 该存储库包含以下文件：- 'CNNforCD.m'：用于基于CNN的阻力系数预测的示例MATLAB代码。- 'TrainingSetSmooth.mat'：输入13种不同钝体的几何函数。- 'TestSet.mat'：包含TrainingSetSmooth.mat中不包含的14种不同钝体的输入函数。- 'CDFOM.mat'：对于雷诺数=100的流，TrainingSetSmooth.mat中的钝体的平均阻力系数，使用CFD模拟计算得出。 要运行该程序，请下载上述所有文件并将它们存储在一个目录中。文件SemiSubCNN.zip包含训练有素的CNN，用于预测不同半潜式模型的升力系数。 使用说明：1. 下载并解压文件。2. 确保已安装合适的MATLAB版本和工具箱。3. 运行CNNforCD.m进行钝体流的流体力预测。 该项目通过应用卷积神经网络，展示了如何在CFD仿真中利用深度学习技术提高预测精度。

视频图matlab代码主页：论文“基于全局时间表示的CNN用于红外动作识别”的代码抽象。红外人体动作识别具有多种优势，对光照、外观和阴影变化不敏感。现有方法虽有基于空间或局部时间信息，未考虑全局时间信息对视频中身体运动的更佳描述。本研究提出光流堆叠差异图像（OFSDI）作为新的全局时间表示形式，综合局部、全局和空间时间信息，从红外动作数据中提取鲁棒且判别性强的特征。利用局部、空间和全局时间流应用CNN获取有效的卷积特征图，并通过轨迹约束池聚合为三流轨迹合并的深度卷积描述符（TSTDD）。采用局域约束线性编码（LLC）方法提高特征鲁棒性，并通过线性SVM对动作数据进行分类。实验在红外动作识别数据集InfAR和NTU RGB + D上验证了该方法的优越性。

Matlab分时代码经过修改，使得快速R-CNN能在无bbox注释的弱监督环境下运行。快速R-CNN是由Redmond的Microsoft Research的Ross Girshick开发的基于快速区域的卷积网络，用于对象检测。该框架训练速度显著优于传统的R-CNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。

该软件包包含P-CNN算法的Matlab实现，基于姿势的CNN功能用于动作识别。它集成了预训练的vgg-f外观模型和流模型的Matlab版本，以及Brox光流实现。CNN实现依赖MatConvNet库，在CPU模式下编译。为了提升计算速度，建议启用GPU支持。您可以通过修改提供的my_build.m文件来定制编译设置。演示示例展示了在JHMDB数据集上运行P-CNN的效果。 reproduce_ICCV15_results命令可再现P-CNN的性能。

MatConvNet基于ECCV16论文的实现，采用多尺度卷积神经网络进行单幅图像去雾。我们提供了测试演示和预训练模型，适用于Win7电脑。

天津大学机器学习与数据挖掘团队倾情奉献，带你探索 CNN 的奥秘，并通过 Caffe 深度学习框架进行实践。

该存储库提供基于人工神经网络的地下水位预测代码比较，包括长短期记忆（LSTM）、卷积神经网络（CNN）和非线性自回归外生网络（NARX）的应用。作者列出了每种方法的优势和适用场景，并提供了Matlab和Python脚本以及示例文件，帮助用户复现和应用这些预测模型。

基于Python3.7和Pytorch1.7.1 多分类，采用深度学习