- 时序预测 | 改进图卷积+informer时间序列预测，pytorch架构 时序预测 | 改进图卷积+informer时间序列预测，pytorch架构
- Transformer-GRU+NSGAII工艺参数优化、工程设计优化 Transformer-GRU+NSGAII工艺参数优化、工程设计优化
- 基于HO-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、HO-CNN-BiLSTM、BiCNN-LSTM四模型多变量时序预测一键对比(仅运行一个main即可) Matlab代码，每个模型的预测结果和组合对比结果都有! 1.无需繁琐步骤，只需要运行一个main即可一键出所有图像。 2.程序已经调试好，无需更改代码替换数据集即可运行!!!数据格式为excel 基于HO-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、HO-CNN-BiLSTM、BiCNN-LSTM四模型多变量时序预测一键对比(仅运行一个main即可) Matlab代码，每个模型的预测结果和组合对比结果都有! 1.无需繁琐步骤，只需要运行一个main即可一键出所有图像。 2.程序已经调试好，无需更改代码替换数据集即可运行!!!数据格式为excel
- 深度神经网络中的模型压缩与加速技术随着深度学习技术的快速发展，深度神经网络（DNN）在计算机视觉、自然语言处理、语音识别等领域的表现已经达到甚至超越人类水平。然而，随着模型的复杂度不断增加，计算和存储的需求也变得愈加庞大，特别是在移动设备、嵌入式系统等资源受限的环境中，如何高效部署深度神经网络成为一个亟待解决的问题。为了应对这一挑战，模型压缩和加速技术应运而生，它们通过减小模型体积、减少计... 深度神经网络中的模型压缩与加速技术随着深度学习技术的快速发展，深度神经网络（DNN）在计算机视觉、自然语言处理、语音识别等领域的表现已经达到甚至超越人类水平。然而，随着模型的复杂度不断增加，计算和存储的需求也变得愈加庞大，特别是在移动设备、嵌入式系统等资源受限的环境中，如何高效部署深度神经网络成为一个亟待解决的问题。为了应对这一挑战，模型压缩和加速技术应运而生，它们通过减小模型体积、减少计...
- 生成对抗网络（GAN）通过生成器与判别器的对抗学习，实现了数据生成和处理的革命性变革。生成器从噪声中创造逼真样本，判别器则判断数据真假。两者在训练中不断优化，最终达到纳什均衡。影响协作效率的关键因素包括网络架构设计、损失函数选择和超参数设置。采用先进的架构如DCGAN、优化损失函数如WGAN，并动态调整训练策略，可显著提升生成器与判别器的协作效果，推动GAN在图像生成、风格迁移等领域的应用发展。 生成对抗网络（GAN）通过生成器与判别器的对抗学习，实现了数据生成和处理的革命性变革。生成器从噪声中创造逼真样本，判别器则判断数据真假。两者在训练中不断优化，最终达到纳什均衡。影响协作效率的关键因素包括网络架构设计、损失函数选择和超参数设置。采用先进的架构如DCGAN、优化损失函数如WGAN，并动态调整训练策略，可显著提升生成器与判别器的协作效果，推动GAN在图像生成、风格迁移等领域的应用发展。
- 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）[V,I] = min(JJ);g1 = phen1(I,:); LR = g1(1);NN1 = floor(g1(2))+1; if g1(3)<1/3 x1=4;endif g1(3... 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）[V,I] = min(JJ);g1 = phen1(I,:); LR = g1(1);NN1 = floor(g1(2))+1; if g1(3)<1/3 x1=4;endif g1(3...
- @TOC 开篇语哈喽，各位小伙伴们，你们好呀，我是喵手。运营社区：C站/掘金/腾讯云/阿里云/华为云/51CTO；欢迎大家常来逛逛 今天我要给大家分享一些自己日常学习到的一些知识点，并以文字的形式跟大家一起交流，互相学习，一个人虽可以走的更快，但一群人可以走的更远。 我是一名后端开发爱好者，工作日常接触到最多的就是Java语言啦，所以我都尽量抽业余时间把自己所学到所会的，通过文章的形式进... @TOC 开篇语哈喽，各位小伙伴们，你们好呀，我是喵手。运营社区：C站/掘金/腾讯云/阿里云/华为云/51CTO；欢迎大家常来逛逛 今天我要给大家分享一些自己日常学习到的一些知识点，并以文字的形式跟大家一起交流，互相学习，一个人虽可以走的更快，但一群人可以走的更远。 我是一名后端开发爱好者，工作日常接触到最多的就是Java语言啦，所以我都尽量抽业余时间把自己所学到所会的，通过文章的形式进...
- 脑机接口（BCI）技术是神经科学与人工智能的前沿交叉领域，旨在实现大脑与外部设备的直接交互。信号处理是其关键环节，深度学习算法的应用带来了质的飞跃。通过强大的特征学习能力和端到端的学习方式，深度学习能自动提取复杂脑电信号中的有用信息，适应个体差异和多模态数据融合，显著提升了BCI系统的性能。尽管仍面临数据量小、可解释性差等挑战，但未来有望推动人机交互技术的重大突破。 脑机接口（BCI）技术是神经科学与人工智能的前沿交叉领域，旨在实现大脑与外部设备的直接交互。信号处理是其关键环节，深度学习算法的应用带来了质的飞跃。通过强大的特征学习能力和端到端的学习方式，深度学习能自动提取复杂脑电信号中的有用信息，适应个体差异和多模态数据融合，显著提升了BCI系统的性能。尽管仍面临数据量小、可解释性差等挑战，但未来有望推动人机交互技术的重大突破。
- 基于深度学习的文本信息提取方法研究（使用 PyTorch 和 TextCNN 框架） 介绍文本信息提取是自然语言处理（NLP）中的关键任务之一，涉及从非结构化文本中提取出有用的信息。TextCNN 是一种基于卷积神经网络（CNN）的模型，它在提取文本特征和分类任务中表现优秀，特别适合短文本的处理。 应用使用场景情感分析：识别用户评论或社交媒体帖子中的情感倾向。主题分类：将文档分类到不同的主... 基于深度学习的文本信息提取方法研究（使用 PyTorch 和 TextCNN 框架） 介绍文本信息提取是自然语言处理（NLP）中的关键任务之一，涉及从非结构化文本中提取出有用的信息。TextCNN 是一种基于卷积神经网络（CNN）的模型，它在提取文本特征和分类任务中表现优秀，特别适合短文本的处理。 应用使用场景情感分析：识别用户评论或社交媒体帖子中的情感倾向。主题分类：将文档分类到不同的主...
- R-CNN 系列模型的演进R-CNN（Region-based Convolutional Neural Networks）：首次将 CNN 引入目标检测领域。使用选择性搜索（Selective Search）生成候选区域（Region Proposals），然后对每个区域分别进行 CNN 特征提取和分类。Fast R-CNN：改进 R-CNN 的低效问题，对整个图像进行一次 CNN 特征... R-CNN 系列模型的演进R-CNN（Region-based Convolutional Neural Networks）：首次将 CNN 引入目标检测领域。使用选择性搜索（Selective Search）生成候选区域（Region Proposals），然后对每个区域分别进行 CNN 特征提取和分类。Fast R-CNN：改进 R-CNN 的低效问题，对整个图像进行一次 CNN 特征...
- 论文基本信息标题: Mask R-CNN作者: Kaiming He, Georgia Gkioxari, Piotr Dollár, Ross Girshick会议: ICCV 2017发表时间: 2017 年论文链接: https://arxiv.org/abs/1703.06870 Mask R-CNN 的核心贡献Mask R-CNN 是 Faster R-CNN 的扩展，主要创新点... 论文基本信息标题: Mask R-CNN作者: Kaiming He, Georgia Gkioxari, Piotr Dollár, Ross Girshick会议: ICCV 2017发表时间: 2017 年论文链接: https://arxiv.org/abs/1703.06870 Mask R-CNN 的核心贡献Mask R-CNN 是 Faster R-CNN 的扩展，主要创新点...
- 在科技飞速发展的当下，人工智能与元宇宙成为备受瞩目的前沿领域。人工智能的底层技术包括机器学习、深度学习和自然语言处理，赋予机器学习能力、图像识别和语言理解功能。元宇宙则依赖区块链、虚拟现实（VR/AR/MR）、数字孪生及高速网络等技术，构建去中心化、沉浸式和交互性强的虚拟世界。两者融合促进内容创作与用户体验提升，预示未来社会和经济发展的新方向。 在科技飞速发展的当下，人工智能与元宇宙成为备受瞩目的前沿领域。人工智能的底层技术包括机器学习、深度学习和自然语言处理，赋予机器学习能力、图像识别和语言理解功能。元宇宙则依赖区块链、虚拟现实（VR/AR/MR）、数字孪生及高速网络等技术，构建去中心化、沉浸式和交互性强的虚拟世界。两者融合促进内容创作与用户体验提升，预示未来社会和经济发展的新方向。
- 在计算机发展的历史长河中，图灵和冯·诺依曼的理论构建了现代计算机的基础，使我们得以划定哪些问题是“可计算”的，哪些则是“不可计算”的。图灵提出的停机问题揭示了计算的局限性，而冯·诺依曼体系结构则定义了计算机硬件的运行规则。这些理论和架构为后来的计算发展奠定了坚实的基础。然而，随着人工智能，特别是深度学习技术的崛起，以Transformer为代表的现代计算模型挑战了我们对“计算”的传统认知，模... 在计算机发展的历史长河中，图灵和冯·诺依曼的理论构建了现代计算机的基础，使我们得以划定哪些问题是“可计算”的，哪些则是“不可计算”的。图灵提出的停机问题揭示了计算的局限性，而冯·诺依曼体系结构则定义了计算机硬件的运行规则。这些理论和架构为后来的计算发展奠定了坚实的基础。然而，随着人工智能，特别是深度学习技术的崛起，以Transformer为代表的现代计算模型挑战了我们对“计算”的传统认知，模...
- 3D U-Net 实现 3D 医学影像的有效分割 介绍3D U-Net 是一种基于卷积神经网络（CNN）的深度学习架构，专门用于处理三维医学影像的分割任务。与传统的 2D 图像分割不同，3D U-Net 可以处理体积数据（如 MRI、CT 扫描），捕捉更全面的空间信息。 应用使用场景肿瘤检测：精确分割和识别肿瘤边界。器官自动分割：辅助医生快速标记重要器官。病灶分析：实现对疾病区域的精细化研... 3D U-Net 实现 3D 医学影像的有效分割 介绍3D U-Net 是一种基于卷积神经网络（CNN）的深度学习架构，专门用于处理三维医学影像的分割任务。与传统的 2D 图像分割不同，3D U-Net 可以处理体积数据（如 MRI、CT 扫描），捕捉更全面的空间信息。 应用使用场景肿瘤检测：精确分割和识别肿瘤边界。器官自动分割：辅助医生快速标记重要器官。病灶分析：实现对疾病区域的精细化研...
- 前言transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。transformer概述Transformer模型来自论文Attention Is All You Need 。在... 前言transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。transformer概述Transformer模型来自论文Attention Is All You Need 。在...
上滑加载中
推荐直播
-
基于HarmonyOS NEXT应用开发之旅2025/07/17 周四 19:00-20:00
吴玉佩、刘俊威-华为开发者布道师-高校学生
两位学生华为开发者布道师，连续两届HarmonyOS极客马拉松获奖选手联袂呈现HarmonyOS NEXT开发全景！从基础筑基，到工具提效。为您铺就一条从入门到精通的鸿蒙应用开发之路。无论您是新手开发者，还是经验老手，都能在此收获满满干货，开启您的HarmonyOS NEXT高效、智能开发新篇章！
回顾中
热门标签