函数公式说明： %%高斯型求积公式 %%Y是函数表达式，interval是求积区间，n是求积阶数 %%对于求一般形式的非反常积分，可用勒让德型， %%对于求形如f(x)/sqrt(1-x^2)的非反常积分，可用第一类切比雪夫型， %对于形如f(x)*sqrt(1-x^2)的非反常积分，可用第二类切比雪夫型，切比雪夫型积分应在[-1 1]上 %对于反常积分f(x)*exp(-x)或者f(x)*exp(-x^2)，且区间为[0,+inf]或[-inf,+inf]，可用拉盖尔或者埃尔米特型（注意Y是f(x)） %%正交多项式 %此函数包括勒让德正交多项式（定义区间[-1,1]），切比雪夫正交多项式（两类， %在这里，规定第一类切比雪夫多项式是以1/sqrt(1-x^2)作为权函数，第二类切比雪夫多项式以sqrt(1-x^2)作为权函数得到的）（定义区间[-1,1]） %拉盖尔正交多项式（定义区间[0 +inf]），埃尔米特正交多项式（定义区间[-inf +inf]），输入项数N应从1开始 %%n是多项式的项数，n>=0,type是类型，分为Legendre、Chebyshev1、等

无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动物视觉皮层细胞中发现的对输入图案的方向选择性和平移不变性，这个工作为他们赢得了诺贝尔奖。时间推进到上世纪80年代，随着神经网络研究的深入，研究人员发现对图片输入做卷积操作和生物视觉中的神经元接受局部receptiv

运用python实现卷积神经网络，解释CNN是如何一步一步的进行，很适合了解CNN的具体某一步！

短文本分类是自然语言处理的一个研究热点.为提高文本分类精度和解决文本表示稀疏问题，提出了一种全新的文本表示（N-of-DOC）方法.采用Word2Vec分布式表示一个短语，将其转换成的向量作为卷积神经网络模型的输入，经过卷积层和池化层提取高层特征，输出层接分类器得出分类结果.实验结果表明，与传统机器学习（K近邻，支持向量机，逻辑斯特回归，朴素贝叶斯）相比，提出的方法不仅能解决中文文本向量的维数灾难和稀疏问题，而且在分类精度上也比传统方法提高了4.23%.

卷积码译码改进算法.doc

针对目标追踪过程中由于目标快速运动及尺度变化导致追踪失败的问题, 提出了一种基于全卷积对称网络的目标尺度自适应追踪算法。首先利用MatConvNet框架构建全卷积对称网络, 使用训练好的网络得到实验图像与模板的多维特征图, 两者通过互相关操作, 选取置信分数最大的点为所追踪目标的中心位置; 其次, 对中心位置进行多尺度采样, 将小于模板方差1/2的错误样本过滤掉; 建立目标模板和样本概率直方图, 计算模板与样本间的海林洛距离, 选取合适的尺度作为目标追踪窗口的尺度。在OTB-13数据集上进行实验, 与其他追踪算法性能比较, 本文算法追踪成功率为0.832, 精度为0.899, 高于同类型深度学习追踪算法, 平均追踪速度达到42.3 frame/s, 满足实时性的需求; 挑选包含目标快速运动或尺度变化属性的追踪序列进一步进行测试, 本文算法追踪性能仍高于其他算法。

回归预测 | MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

为了进一步提高网络异常检测的准确率, 本文在对现有入侵检测模型分析的基础上, 提出了一种基于卷积神经网络和支持向量机的网络报文入侵检测方法. 该方法首先将数据预处理成二维矩阵, 为了防止算法模型过拟合, 利用permutation函数将数据随机打乱, 然后利用卷积神经网络CNN从预处理后的数据中学习有效特征, 最后通过支持向量机SVM分类器将得到的向量进行分类处理. 在数据集选择上, 采用网络入侵检测常用的权威数据集—京都大学蜜罐系统数据集, 通过与GRU-Softmax、GRU-SVM等现有检测率较高的模型进行实验对比, 该模型在准确率上最高分别提高了19.39% 和12.83%, 进一步提升了网络异常检测的准确度. 同时, 本研究所提出方法在训练速度和测试速度上有较大提高.

深度情感：使用注意卷积网络的面部表情识别 这是研究论文“的PyTorch实现 [注意]这不是官方执行文件 建筑学 基于注意力卷积网络的端到端深度学习框架 通过空间变压器网络添加注意机制 数据集 先决条件 要运行此代码，您需要具有以下库： 火炬> = 1.1.0 火炬视觉== 0.5.0 OpenCV tqdm 皮尔 该存储库的结构 该存储库的组织方式为： 此文件包含数据集和训练循环的设置。 此文件包含用于评估测试数据模型和网络摄像头实时测试的源代码。 此文件包含模型类 此文件包含数据集类 此文件包含数据集的设置 用法 DeepLearning_by_PhDScholar创建的超酷视频，介绍如何使用此实现。 资料准备 从Kaggle下载数据集，然后将train.csv和test.csv解压缩到./data文件夹中。 怎么跑 设置数据集 python main.py [-s

用卷积滤波器matlab代码Audio_Steganography_in_MATLAB 在MATLAB中使用信号处理进行音频隐写术 信息隐藏是信息安全的一部分。 隐秘术是一种信息隐藏技术，其重点在于隐藏秘密消息的存在。 隐秘方法的目的是隐藏通信的存在，从而使任何第三方都不知道隐秘交换的存在。 音频隐秘术要求以不易察觉的方式修改音频载波信号。 快速傅立叶变换在音频隐写术中的实现表明，音频信号的频域可以有效地用于隐藏秘密消息。 隐写术可以有多种类型，具体取决于要进行的数据加密的类型。 在这里，我正在使用通过MATLAB进行的音频信号处理作为音频隐写术的隐身应用程序。 音频信号处理是信号处理的一个子领域，与音频信号的电子操纵有关。 由于音频信号可以数字或模拟格式表示，因此处理可能会在任一域中发生。 使用快速傅立叶变换技术，可以捕获波形并对其进行分析，以备将来使用。 方法 在此项目中，我们输入了来自用户的消息，例如x（t）。 我们在输入端获取一个音频信号（x（t）），然后将其与另一个音频信号（y（t））卷积。 y（t）是关键音频信号。 我们使用MATLAB代码对两个信号进行卷积。 卷积后，原始