当前位置：
首页 资源下载
搜索资源 - structure recognition
搜索资源列表
-
0下载：
Spectral methods of computational fluid dynamics flow of some of the overall stability of the phenomenon, Channelized receiver based on multi-phase structure, Part of the license plate recognition locator feature.
-
-
1下载：
深度学习允许由多个处理层组成的计算模型来学习具有多个抽象层次的数据表示。这些方法极大地提高了语音识别、视觉对象识别、目标检测以及药物发现和基因组学等许多领域的最新进展。深度学习发现复杂的结构在大数据集，通过使用反向传播算法来指示一台机器应该如何改变其内部参数，用于计算在每一层的代表性，从上一层的代表。深层卷积网在处理图像、视频、语音和音频方面取得了突破性进展，而递归网络则在文本和语音等连续数据上起到了作用。(Deep learning allows computational models th
-
-
0下载：
Use Chaos and fractal analysis routines, A one-dimensional transfer matrix method to calculate the phonon crystal structure, You can achieve data classification and regression pattern recognition.
-
-
0下载：
计算机仿真研究基于 LMS 算法和 RLS 算法的自适应系统识别性能.通过已知结构的系统来模拟未知系统是系统识别/辨识的一种基本方法.(The performance of adaptive system identification based on LMS algorithm and RLS algorithm is studied by computer simulation. It is a basic method of system identification / recognit
-
-
2下载：
从卷积神经网络的发展历史开始，详细阐述了卷积神经网络的网络结构、神经元模型和训练算法。在此基础上以卷积神经网络在人脸检测和形状识别方面的应用为例，简单介绍了卷积神经网络在工程上的应用，并给出了设计思路和网络结构。(Starting from the history of the convolution neural network, the network structure, neuron model and training algorithm of the convolution neur
-
-
1下载：
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（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。(Convolution neura
-
-
0下载：
有googlenet网络模型的实现，和googlenet网络结构图，实现物体的识别与分类(The realization of the googlenet network model and the googlenet network structure diagram to realize the recognition and classification of the objects)
-
-
1下载：
使用tensorflow框架对高光谱图像进行识别、分类(Recognition and classification of hyperspectral images using densenet structure)
-
-
1下载：
利用ram结构进行细粒度图片识别，tensorflow仿真(Using ram structure for fine-grained image recognition, tensorflow simulation)
-
