- 1.算法运行效果图预览(完整程序运行后无水印) 本课题所用步态数据库： 测试结果如下： 步态能量图 识别率对比 上图识别率含义是： 1.使用0度的数据库进行训练，分别测试0度，45度，90度。 2.使用45度的数据库进行训练，分别测试0度，45度，90度。 3.使用90度的数据库进行训练，分别测试0度，45度，90度。 4.使用0度，45度，90度三种样本混合进行训练，分别测试混合样... 1.算法运行效果图预览(完整程序运行后无水印) 本课题所用步态数据库： 测试结果如下： 步态能量图 识别率对比 上图识别率含义是： 1.使用0度的数据库进行训练，分别测试0度，45度，90度。 2.使用45度的数据库进行训练，分别测试0度，45度，90度。 3.使用90度的数据库进行训练，分别测试0度，45度，90度。 4.使用0度，45度，90度三种样本混合进行训练，分别测试混合样...
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）%设置网络参数 lgraph=func_layers2(Dims,Dimso,X); %参数设置options = trainingOptions("adam",... 'Ini... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）%设置网络参数 lgraph=func_layers2(Dims,Dimso,X); %参数设置options = trainingOptions("adam",... 'Ini...
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）X = woa_idx;%设置网络参数 %卷积核Nfilter = floor(X(1));%8; %卷积核大小Sfilter = floor(X(2));%5; %丢失因子drops = X(... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a/matlab2024b 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）X = woa_idx;%设置网络参数 %卷积核Nfilter = floor(X(1));%8; %卷积核大小Sfilter = floor(X(2));%5; %丢失因子drops = X(...
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0...
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0.... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0....
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0.... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）figure;plot(gb1,'-bs',... 'LineWidth',1,... 'MarkerSize',6,... 'MarkerEdgeColor','k',... 'MarkerFaceColor',[0....
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本MATLAB2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） figureplot(Error2,'linewidth',2);grid onxlabel('迭代次数');ylabel('遗传算法优化过程');legend('Average fitness'); [V,I] = min(JJ);X ... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本MATLAB2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频） figureplot(Error2,'linewidth',2);grid onxlabel('迭代次数');ylabel('遗传算法优化过程');legend('Average fitness'); [V,I] = min(JJ);X ...
- 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])]; gen = 0;Js = 0.5*rand(NIND,1);Objv = (Js+eps);gen = 0... 1.算法运行效果图预览(完整程序运行后无水印)2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])]; gen = 0;Js = 0.5*rand(NIND,1);Objv = (Js+eps);gen = 0...
- 1.算法运行效果图预览(完整程序运行后无水印)其整体性能优于基于GA遗传优化TCN时间卷积神经网络时间序列预测算法matlab仿真-CSDN博客 2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）while gen < MAXGEN gen Pe0 = 0.999; pe1 = 0.001; F... 1.算法运行效果图预览(完整程序运行后无水印)其整体性能优于基于GA遗传优化TCN时间卷积神经网络时间序列预测算法matlab仿真-CSDN博客 2.算法运行软件版本matlab2022a 3.部分核心程序（完整版代码包含详细中文注释和操作步骤视频）while gen < MAXGEN gen Pe0 = 0.999; pe1 = 0.001; F...
- Python卷积神经网络（CNN）识别和计数工业零件：深入解析与应用 一、卷积神经网络（CNN）介绍卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适合处理图像数据。它通过卷积层、池化层和全连接层等结构，能够自动提取图像特征，并进行分类、识别等任务。 二、应用使用场景CNN 在工业零件识别和计数方面有广泛的应用场景，例如：生产线零件检... Python卷积神经网络（CNN）识别和计数工业零件：深入解析与应用 一、卷积神经网络（CNN）介绍卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适合处理图像数据。它通过卷积层、池化层和全连接层等结构，能够自动提取图像特征，并进行分类、识别等任务。 二、应用使用场景CNN 在工业零件识别和计数方面有广泛的应用场景，例如：生产线零件检...
- 卷积核（Convolutional Kernel）或称为过滤器（Filter）是卷积神经网络（Convolutional Neural Networks, CNNs）中的一个关键组成部分。卷积核是一个小型矩阵，通常用来在输入数据上滑动，从而对其进行卷积运算。卷积核的主要作用是提取输入数据中的特征，通过逐点与输入矩阵的元素进行加权求和，卷积核可以看作是一种滤波器，用来识别输入数据中的某些特定模... 卷积核（Convolutional Kernel）或称为过滤器（Filter）是卷积神经网络（Convolutional Neural Networks, CNNs）中的一个关键组成部分。卷积核是一个小型矩阵，通常用来在输入数据上滑动，从而对其进行卷积运算。卷积核的主要作用是提取输入数据中的特征，通过逐点与输入矩阵的元素进行加权求和，卷积核可以看作是一种滤波器，用来识别输入数据中的某些特定模...
- 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。
- 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。
- 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。
- 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
苏州工业园区“华为云杯”2025人工智能应用创新大赛赛中直播2025/08/21 周四 16:00-17:00
Vz 华为云AIoT技术布道师
本期直播将与您一起探讨如何基于华为云IoT平台全场景云服务，结合AI、鸿蒙、大数据等技术，打造有创新性，有竞争力的方案和产品。
即将直播
热门标签