卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。

资源内容为卷积神经网络实例（手写字母识别）--PyTorch。 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com

机器学习–利用卷积神经网络进行鸟类识别 具体解析请看链接： https://blog.csdn.net/weixin_44602933/article/details/116547300?spm=1001.2014.3001.5502

[深度卷积神经网络原理与实践][周浦城 等][程序源代码]

matlab填充图像算法代码CNN_频谱图_算法 一种使用卷积神经网络 (CNN) 从原始 EEG 数据中对频谱图进行分类的方法 SpectrogramClassificationAlgorithm.ipynb：使用来自训练和有效文件夹的数据训练模型，对来自测试文件夹的数据进行测试 Use_pretrained_model.ipynb：使用来自训练模型的模型权重，测试来自测试文件夹的新测试数据 fastai 文件夹中的代码来自 Jeremy Howard 的 fastai 0.7 版： 数据结构 要运行任一笔记本，您必须具有以下结构的数据文件夹： 数据/ ├──火车/ ├── Yes ├── No ├── 有效/ ├── Yes ├── No ├──测试/ 对于 SpectrogramClassificationAlgorithm.ipynb：Yes 和 No 子文件夹包含我们训练模型的正面和负面案例图像。 测试文件夹包含我们测试模型的未分类图像。 对于 Use_pretrained_model.ipynb：测试文件夹包含要由我们的预训练模型 (saved_model.pkl) 评估的

卷积码是一种性能优良的差错控制编码。本文在阐述卷积码编解码器基本工作原理的基础上, 提出了在MAX+ P lusÊ 开发平台上基于VHDL 语言设计(2, 1, 6) 卷积码编解码器的方法。

基于VHDL的卷积码编码器的设计 含源码

深度学习：图像的卷积原理和本质（详解）。 深度学习原理.pdf

近年来，深度学习中的卷积神经网络已经广泛运用于图像识别领域，它不仅显著提升了识别准确率，同时在特征提取速度方面也优于许多传统方法。针对高速公路环境下的车型识别问题，引入卷积神经网络（CNNs）理论，设计相应特征提取算法，并结合SVM分类器构建识别系统。通过对高速公路上主要三种车型（小车、客车、货车）的分类实验显示，该方法在识别精度及速度上均取得了较显著的提高。

matlab实现bsc代码低密度聚乙烯 使用对数和积方法实现LDPC软解码算法的Matlab函数 该代码是通过研究Sarah Johnson的论文（或在参考资料/SJohnsonLDPCintro.pdf中）编写的，因此可以在此处找到我算法的所有数学解释。 用法 要使用该功能，唯一的参数是接收到的序列（我称其为input_frame）。 您可以放置​​位或正/负浮点数（取决于要建模的通道） 默认值 解码矩阵为：H = [1 1 0 1 0 0; 0 1 1 0 1 0; 1 0 0 0 1 1; 0 0 1 1 0 1]； 该通道是具有0.2交叉概率的BSC（二进制对称通道）。 在代码中，您可以将其更改为AWGN频道。 这些默认值允许测试Sarah Johnson论文的示例2.5和2.6。 参数化 H，解码矩阵，可以修改； 该代码将适应。 可以改变信道对先验LLR的影响。 为此，请参考功能a_priori_log_likehood和a_priori_log_likehood_AWGN之间的区别 其他变量也可以更改，例如最大迭代次数等。 例子 具有默认H矩阵命令的BS通道：ldpcdec