這是我在做大學教授期間推薦給我學生的一本書，非常好，適合入門學習。《python深度學習》由Keras之父、現任Google人工智能研究員的弗朗索瓦?肖萊（Franc?ois Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，包括計算機視覺、自然語言處理、產生式模型等應用。書中包含30多個代碼示例，步驟講解詳細透徹。作者在github公布了代碼，代碼幾乎囊括了本書所有知識點。在學習完本書后，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。但是有一個小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來也很吃力。本人認為，這本書和代碼是初學者入門深度學習及Keras最好的工具。作者在github公布了代碼，本人參照書本，對全部代碼做了中文解釋和注釋，并下載了代碼所需要的一些數據集（尤其是“貓狗大戰”數據集），并對其中一些圖像進行了本地化，代碼全部測試通過。（請按照文件順序運行，代碼前后有部分關聯）。以下代碼包含了全書約80%左右的知識點，代碼目錄：2.1: A first look at a neural network（ 初識神經網絡）3.5: Classifying movie reviews（電影評論分類：二分類問題）3.6: Classifying newswires（新聞分類：多分類問題 ）3.7: Predicting house prices（預測房價：回歸問題）4.4: Underfitting and overfitting（ 過擬合與欠擬合）5.1: Introduction to convnets（卷積神經網絡簡介）5.2: Using convnets with small datasets（在小型數據集上從頭開始訓練一個卷積網絡）5.3: Using a pre-trained convnet（使用預訓練的卷積神經網絡）5.4: Visualizing what convnets learn（卷積神經網絡的可視化）
上傳時間： 2022-01-30
上傳用戶：
神經網絡在智能機器人導航系統中的應用研究1神經網絡在環境感知中的應 用 對環境 的感 知 ，環境模型 妁表示 是非常重要 的。未 知 環境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊格法表示范圍較大的工作環境，在滿足 精度要求 的情況下，必定要占用大量的內存，并且采用柵 格法進行路徑規劃，其計算量是相當大的。Kohon~n自組織 神經瞬絡為機器人對未知環境的蒜知提供了一條途徑。 Kohone~沖經網絡是一十自組織神經網絡，其學習的結 果能體現出輸入樣本的分布情況，從而對輸入樣本實現數 據壓縮 。基于 網絡 的這些特 性，可采 用K0h0n曲 神經元 的 權向量來表示 自由空間，其方法是在 自由空間中隨機地選 取坐標點xltl【可由傳感器獲得】作為網絡輸入，神經嘲絡通 過對大量的輸八樣本的學習，其神經元就會體現出一定的 分布形 式 學習過程如下：開 始時網絡的權值隨機地賦值 ， 其后接下式進行學 習： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經元 1在t時刻對 應的權值 ；a(∽ 謂整系 數 ； (『l網絡的輸八矢量；Ⅳ()：學習的 I域。每個神經元能最 大限度 地表示一 定 的自由空間 。神經 元權 向量的最 小生成 樹可以表示出自由空問的基本框架。網絡學習的鄰域 (，) 可 以動 態地 定義 成矩形 、多邊 形 。神經 元數量 的選取取 決 于環境 的復雜度 ，如果神 經元 的數量 太少 ．它們就 不能 覆 蓋整十空間，結果會導致節點穿過障礙物區域 如果節點 妁數量太大 ．節點就會表示更多的區域，也就得不到距障 礙物的最大距離。在這種情況下，節點是對整個 自由空間 的學 習，而不是 學習最 小框架空 間 。節 點的數 量可 以動態 地定義，在每個學習階段的結柬．機器人會檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節點 來 覆蓋整 十 自由窯 間，需要增加 網絡節點來 重新學 習 所 138一 以為了收斂于最小框架表示 ，應該采用較少的網絡 節點升 始學習，逐步增加其數量。這種方法比較適臺對擁擠的'E{= 境的學習，自由空間教小，就可用線段表示；若自由空問 較大，就需要由二維結構表示 。 采用Kohonen~沖經阿絡表示環境是一個新的方法。由 于網絡的并行結構，可在較短的時間內進行大量的計算。并 且不需要了解障礙物的過細信息．如形狀、位置等 通過 學習可用樹結構表示自由空問的基本框架，起、終點問路 徑 可利用樹的遍 歷技術報容易地被找到 在機器人對環境的感知的過程中，可采用人】：神經嘲 絡技術對 多傳 感器的信息進 行融臺 。由于單個傳感器僅能 提 供部分不 完全 的環境信息 ，因此只有秉 甩 多種傳感器 才 能提高機器凡的感知能力。 2 神經 網絡在局部路徑規射中的應 用 局部路徑 規刪足稱動吝避碰 規劃 ，足以全局規荊為指 導 利用在線得到的局部環境信息，在盡可能短的時問內
上傳時間： 2022-02-12
上傳用戶：qingfengchizhu
家 庭 總 線 是 智 能 家 居 實 現 的 重 要 基 礎 ． 是 住 宅 內 部 的 神 經 系 統 ． 其 主 要 作 用 是 連 接 家 中的各 種 電子 、 電氣 設 備 ． 負責 將 家 庭 內 的 各 種 通 信 設 備 ( 包 括 安 保 、 電話 、 家 電 、 視 聽 設 備 等 )連 接 在 一 起 ． 形 成 一 個 完 整 的家 庭 網 絡 。 日 本 是 較 早 推 動 智 能 家 居 發 展 的 國 家 之 一 ， 它 較 早 地 提 出 了 家庭 總線 系統 (H O m e B u S S Y S t e m ， 簡稱H B S ) 的概念 ． 成 立 了 家庭 總線 (H B S )研 究會 ． 并 在 郵政省和 通 產 省 的指 導 下 組 成 了H B S 標 準委 員 會 ， 制定 了 日 本 的H B s 標 準 。 按 照 該 標 準 ， H B S 系統 由一 條 同 軸 電 纜 和 4 對 雙 絞 線 構 成 ， 前 者 用 于 傳 輸 圖 像 信 息 ． 后者 用 于 傳輸語 音 、 數據及 控制信 號 。 各 類家用 設 備 與 電氣 設 備 均 按 一 定 方式 與H B S 相 連 ， 這 些 電氣設 備 既 可 以在 室 內進 行 控制 ． 也 可 在異地 通 過 電話進行 遙 控 。 為適 應 大型 居住社 區 的需 要 ， 1 9 8 8 年年初 ， 日 本住 宅信息 化推進協會 又 推 出 了 超級 家庭總 線 (S u p e r H0 m e B u s S y s t e m ， 簡 稱S - H B S ) ， 它適 用 于 更 大 的范 圍 ． 因 為一 個S - H B s 系統可 掛接 數千個家庭 內部 網 。 家庭 智能化要 求諸 多家 電和 網絡能夠彼此 相容 ． 總線協 議是 其精髓 所 在 ， 只 有接 E l 暢通 ， 家 電才能 “ 聽懂 ” 人 發 出的指令 ， 因此 總線標準 的物理 層 接 口 形 式 是 智能 家居 亟 待解決 的重 要 問題 之 一 。 目前 比 較成型 的總線標 準 協 議 主 要 是 美 國公 司 提 出 的 ， 包 括E c h e l o n 公 司 I)~L o n W o r k s 協議 、 電子 工 業 協 會 (E I A ) 的C E 總線協 議 (C EB u S ) 、 S m a r t Ho u s e L P 的智 能屋 協 議 和×一 1 0 公 司 的X 一 1 0 協 議等。 這 些 協 議 各 有 優 劣 。
標簽： 智能家居
上傳時間： 2022-03-11
上傳用戶：
近些年來，云計算與移動云計算迅速發展，隨之而來出現的問題是由于智能終端的數量和處理器計算能力能力的增加，越來越多的計算密集型應用應用被卸載到云端，這樣就給核心網絡造成很大的負載，從而不能滿足那些對延遲敏感的應用，所以移動邊緣計算就因此產生。它通過將計算、存儲等資源部署在網絡的邊緣，能快速地處理任務并傳輸。但是由于用戶終端的移動性，需要考慮的一個很重要的問題就是當服務厥量受到位置影響時應當采取什么措施。合理的計算切換能夠很好地解決這個問題。在移動邊緣計算中，什么時候進行計算切換以及切換到哪里是切換問題的關鍵。本文研究了計算切換的具體過程、影響計算切換的因素及管理體系，提出了計算切換的管理框架。在考慮任務完成時間、移動終端能耗和任務完成成本這些因素影響的基礎上并根據切換管理的框架和具體的判決準則，提出了簡單加權法、熵值法和基于理想解排序的這三種多屬性決策計算切換筧法。最后在實驗部分對這三種多屬性決策計算切換算法進行仿真實驗，在根據實驗結果對三種算法的性能進行分析，然后再研究計算量與數據量變化對算法性能的影響。實驗結果表明：采用多屬性切換決策的方法要優于不切換和總是發生切換的決策，并且在多屬性決策的方法中，班想解排序的方法要優于簡單加權法和值法，并且任務的完成時間、移動終端能耗、和任務的執行成本隨著終端移動速度的增大而有明顯減少，說明基于閾值的判決準則和多屬性切換決策算法適用于移動邊緣計算中的計算切換。關鍵詞：移動邊緣計算：計算切換：判決準則；多屬性決策
標簽： 移動邊緣計算
上傳時間： 2022-03-11
上傳用戶：ttalli
MATLAB深度學習簡介深度學習是機器學習的一個類型，該類型的模型直接從圖像、文本或聲音中學 習執行分類任務。通常使用神經網絡架構實現深度學習。“深度”一詞是指網絡 中的層數 — 層數越多，網絡越深。傳統的神經網絡只包含 2 層或 3 層， 而深度網絡可能有幾百層。下面只是深度學習發揮作用的幾個例子:? 無人駕駛汽車在接近人行橫道線時減速。? ATM 拒收假鈔。? 智能手機應用程序即時翻譯國外路標。深度學習特別適合鑒別應用場景，比如人臉辨識、 文本翻譯、語音識別以及高級駕駛輔助系統(包括 車道分類和交通標志識別)。簡言之，精確。先進的工具和技術極大改進了深度學習算法，達到了 很高的水平，在圖像分類上能夠超越人類，能打敗世界最優秀的圍棋 選手，還能實現語音控制助理功能，如 Amazon Echo? 和 Google Home，可用來查找和下載您喜歡的新歌。如果您剛接觸深度學習，快速而輕松的入門方法是使用現有網絡， 比如 AlexNet，用一百多萬張圖像訓練好的 CNN。AlexNet 最常用于 圖像分類。它可將圖像劃分為 1000 個不同的類別，包括鍵盤、鼠標、 鉛筆和其他辦公設備，以及各個品種的狗、貓、馬和其他動物。
標簽： Matlab
上傳時間： 2022-06-10
上傳用戶：
神經網絡是機器學習的重要分支，是智能計算的一個主流研究方向，長期受到眾多科學家的關注和研究，它植根于很多學科，結合了數學、統計學、物理學、計算機科學和工程學.已經發現，它能夠解決一些傳統意義上很難解決的問題，也為一些問題的解決提供了全新的想法.在傳統的研究成果中，有很多表達數據的統計模型，但大都是比較簡單或淺層的模型，在復雜數據的學習上通常不能獲得好的學習效果.深度神經網絡采用的則是一種深度、復雜的結構，具有更加強大的學習能力，目前深度神經網絡已經在圖像識別、語音識別等應用上取得了顯著的成功.這使得這項技術受到了學術界和工業界的廣泛重視，正在為機器學習領域帶來一個全新的研究浪潮.
標簽： 深度神經網絡
上傳時間： 2022-06-19
上傳用戶：shjgzh
研究了視線環境下毫米波降雨衰減和信號起伏效應，為分析多徑環境對雨衰和雨致信號起伏效應的影響提供了“比較標準”。基于粒子散射吸收理論，簡述了雨衰機理，并通過仿真分析了現有雨哀工程模型的局限性，進而提出了一種修正特征衰減模型參數的方法，基于ITU-R給出的35GHz模型參數對該修正方法進行了驗證：根據隨機介質波傳播理論，研究了雨粒子散射引起的信號起伏效應。基于自主搭建的Ka波段信道哀落特性和降雨物理特征測量系統，分別在視線環境和多徑環境下，開展了關于雨哀和雨致信號起伏特性的測量實驗，根據儀器的測量原理，優化了實測雨滴譜的提取方法，并提出了基于實測雨滴譜修正weibul模型參數的方法，建立了適用于西安地區精確的南滴尺寸分布模型，進而結合等效介電常數理論修正了指數雨衰模型參數，比較了視線環境下修正模型的雨哀計算結果與實驗測量結果，以驗證所提出的模型參數修正方法的正確性和可行性。然而，將多徑環境下降雨特征代入修正模型中，其計算和實驗結果表明地形地物多徑環境會“放大”雨衰和信號起伏深度。基于電波傳播理論和等效均勻介質理論，建立了復合環境下的電波傳播模型；在該模型基礎上，推導出了地形地物多徑傳播環境影響下的降雨衰減模型和信號起伏統計特性模型：仿真和討論了在典型地形地物多徑環境下，典型降雨時間序列下的衰減和信號起伏效應，揭示了多徑環境“放大”大氣傳輸效應的機理，并與實驗結果進行了比較，驗證了該模型的有效性。本文研究方法對降雪、沙塵暴等惡劣天氣環境和地形地物多徑傳播環境綜合作用下毫米波傳播特性的研究具有重要的指導意義，同時其研究成果對5G應用場景下亳米被信道建模，以及提高5G毫米波移動通信系統性能具有重要的應用價值。
上傳時間： 2022-06-20
上傳用戶：
上面是一段實時目標識別的演示， 計算機在視頻流上標注出物體的類別， 包括人、汽車、自行車、狗、背包、領帶、椅子等。今天的計算機視覺技術已經可以在圖片、視頻中識別出大量類別的物體， 甚至可以初步理解圖片或者視頻中的內容， 在這方面，人工智能已經達到了3 歲兒童的智力水平。這是一個很了不起的成就， 畢竟人工智能用了幾十年的時間， 就走完了人類幾十萬年的進化之路，并且還在加速發展。道路總是曲折的， 也是有跡可循的。在嘗試了其它方法之后， 計算機視覺在仿生學里找到了正確的道路（至少目前看是正確的） 。通過研究人類的視覺原理，計算機利用深度神經網絡（ Deep Neural Network，NN）實現了對圖片的識別，包括文字識別、物體分類、圖像理解等。在這個過程中，神經元和神經網絡模型、大數據技術的發展，以及處理器（尤其是GPU）強大的算力，給人工智能技術的發展提供了很大的支持。本文是一篇學習筆記， 以深度優先的思路， 記錄了對深度學習（Deep Learning）的簡單梳理，主要針對計算機視覺應用領域。
上傳時間： 2022-06-22
上傳用戶：
從路由器底層深度透析路由技術原理當IP子網中的一臺主機發送IP分組給同一IP子網的另一臺主機時，它將直接把IP分組送到網絡上，對方就能收到。而要送給不同IP于網上的主機時，它要選擇一個能到達目的子網上的路由器，把IP分組送給該路由器，由路由器負責把IP分組送到目的地。如果沒有找到這樣的路由器，主機就把IP分組送給一個稱為“缺省網關（default gateway）”的路由器上。“缺省網關”是每臺主機上的一個配置參數，它是接在同一個網絡上的某個路由器端口的IP地址。路由器轉發IP分組時，只根據IP分組目的IP地址的網絡號部分，選擇合適的端口，把IP分組送出去。同主機一樣，路由器也要判定端口所接的是否是目的子網，如果是，就直接把分組通過端口送到網絡上，否則，也要選擇下一個路由器來傳送分組。路由器也有它的缺省網關，用來傳送不知道往哪兒送的IP分組。
標簽： 路由器
上傳時間： 2022-06-27
上傳用戶：
解析深度學習：語音識別實踐》是首部介紹語音識別中深度學習技術細節的專著。全書首先概要介紹了傳統語音識別理論和經典的深度神經網絡核心算法。接著全面而深入地介紹了深度學習在語音識別中的應用，包括“深度神經網絡-隱馬爾可夫混合模型”的訓練和優化，特征表示學習、模型融合、自適應，以及以循環神經網絡為代表的若干先進深度學習技術。
上傳時間： 2022-07-24
上傳用戶：qdxqdxqdxqdx
