FashionMNIST这是一个单通道的十分类图片数据集，初学机器学习时的常用数据集，包括了六万张图片的训练集和一万张图片的测试集

深度学习CNN模型在CPU上的优化论文指导

作业实现cnn并用在cifar10上，卷积，padding等部分不需torch实现

均值漂移聚类matlab代码使用从卷积自动编码器中学到的功能进行无监督图像分割 通过训练深度卷积自动编码器，已经从图像中学到了一些有用的功能。 我们使用PCA进行了特征变换。 最后，采用均值漂移聚类算法以无监督的方式对图像进行分割。 EDISON分割：基于EDISON工具箱的图像分割 均值漂移马替代方案：Weizmann马数据集下均值漂移聚类的替代试验 Training BSDS500 ：BSDS 500数据集下的培训网络代码 训练马：Weizmann马数据集下的训练网络代码 可视化PCA功能：可视化PCA转换后的功能 替补：计算图像分割的BSDS测试分数 EDISON matlab接口：用于均值漂移聚类的matlab包装器

使用步骤 1.安装labelme，使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址： 文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.

【预测模型】粒子群算法优化CNN预测【含Matlab源码 362期】.zip

MATLAB实现CNN卷积神经网络多特征分类预测（完整源码和数据） 数据多特征分类数据，输入15个特征，分四类。 运行环境MATLAB2018b及以上，CNN的基本结构由输入层、卷积层、池化层，也称为取样层、全连接层及输出层构成。

MATLAB实现CNN卷积神经网络多输入回归预测（完整源码和数据） 数据多特征分类数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上。

MATLAB实现CNN卷积神经网络时间序列预测（完整源码和数据） 数据为单变量时间序列数据， 运行环境MATLAB2018b及以上， 一种基于cnn的时间序列预测方法，采用确定好的cnn模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。

态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。