深度神经网络最近展示了它们解决复杂任务的惊人能力。今天的模型训练了数以百万计的例子，能够可靠地注释图像，翻译文本，理解口语或玩战略游戏，如国际象棋或围棋。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

提出了一种基于深度学习的多视窗 SSD(Single Shot multibox Detector)目标检测方法。首先 阐述了经典 SSD 方法的模型与工作原理，并根据卷积感受野的概念和模型特征层与原始图像的映射 关系，分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸，揭示了经典 SSD 方法在小目标检测上不足的原因。基于此，提出了一种多视窗 SSD 模型，阐述了其模型结构与工 作原理，并通过 106 张小目标图像数据集测试，评估和对比了多视窗 SSD 方法与经典 SSD 方法在小 目标检测上的物体检索能力与物体检测精度。结果表明：在置信度阈值为 0.4 的条件下，多视窗 SSD 方法的 AF(Average F-measure)为 0.729，mAP(mean Average Precision)为 0.644，相比于经典 SSD 方法 分别提高了 0.169 和 0.131，验证了所提出算法的有效性。

使用IRCNN以及计算机深度学习的方法来处理图像,具体主要使用Python语言

在线学习优化方法SGD-OGD-FOBOS-RDA-FTRL-FTML 总结

这篇文章主要讲了机器学习在CFD（计算流体力学）领域的跨学科应用，研究方法和角度值得学习，具体内容：基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法.该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近.

本文的出发点在于比较传统预测方法和机器学习预测方法。 本文使用的数据集来自 kaggle：M5 Forecasting — Accuracy。 该数据集包含有 California、Texas、Wisconsin 三个州的产品类别、部门、仓储信息等。基于这些数据，需要预测接下来 28 天的每日销售量。 涉及到的方法有： 单指数平滑法 双指数平滑法 三指数平滑法 ARIMA SARIMA SARIMAX Light Gradient Boosting Random Forest Linear Regression 为了使用上述方法，首先导入相应的包/库： import time import

机器学习——统计方法概论思维导图

[英语] 这个例子展示了如何训练 PointNet [1] 网络进行点云分类。点云数据由各种传感器获取，例如激光雷达、雷达、深度相机和 iPad LiDAR。这个例子在 3D 点上训练 PointNet 分类器iPad LiDAR扫描的云。由于这个例子只是为了展示如何使用MatLab实现PointNet分类器，因此训练和测试相同的点云进行分类。请使用您的数据进行更多探索。注意本示例是基于Matlab官方创建的文件 [2]。 [日本人]在本例中，3D 点云通过深度学习点云学习方法（PointNet）进行分类。 PointNet [1] 将点云作为输入并返回其类别。此示例基于 MATLAB 官方文档 [2]。 iPad LiDAR 获取的点云作为样本数据。用作训练数据和测试数据的点云存储在所谓的数据存储中，可以在不消耗大量内存的情况下高效地进行学习和验证。在这里，我们将使用我们自己的数据存储

2021自考学习的方法总结.docx