cnn标签_开源鸿蒙跨平台开发者社区

cnn

【2025年最好创新的KAN网络模型】KAN、CNN-KAN、CNN-LSTM-KAN、LSTM-KAN、TCN-KAN、LSTM-KAN、Transformer-KAN比较（Python代码实现）

本文以西安市2025年每小时PM2.5浓度预测为基准任务，系统比较了六种基于Kolmogorov-Arnold Networks（KAN）的创新混合架构：KAN、CNN-KAN、CNN-LSTM-KAN、LSTM-KAN、TCN-KAN和Transformer-KAN。通过理论分析与实验验证，揭示了不同架构在时间序列建模中的性能差异及适用场景。实验表明，Transformer-KAN在长程依赖建模

 抬头望远方
2026-01-20 08:35:31

 457

 15

#cnn #lstm #transformer +1
OCR 原理：从像素到文本的智能转换

OCR技术通过深度学习实现图像文字到可编辑文本的智能转换，主要流程包括：图像预处理优化质量、基于深度学习的文本检测定位、端到端的CRNN模型识别字符序列、后处理纠错优化，最终生成结构化文本。现代OCR利用数据训练自动学习像素到字符的映射，实现对复杂场景文字的准确识别。

sos62317
2026-03-11 15:12:52

 490

 3

#数据结构 #算法 #python +3
2025年最好创新的CNN-LSTM-KAN网络模型python代码

随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模

 T
2026-02-21 02:39:33

 379

 12

#cnn #lstm #python +1
图解CNN、RNN、LSTM

以上笔记参考自b站up主自然卷小蛮（），感兴趣的可以去深入了解。

m0_54180573
2025-03-25 19:31:51

 491

 3

#神经网络 #rnn #cnn +1
2025年最好创新的CNN-LSTM-KAN网络模型python代码

随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模

 wytm123
2026-02-21 02:28:27

 409

 11

#cnn #lstm #python +1
分类预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多输入分类预测

近年来，随着大数据时代的到来以及深度学习技术的飞速发展，多输入分类预测问题受到了广泛关注。传统的机器学习算法在处理复杂、非线性的多输入数据时往往力不从心。而深度学习模型，特别是卷积神经网络 (CNN) 和循环神经网络 (RNN)，凭借其强大的特征提取和学习能力，为解决这类问题提供了新的途径。然而，深度学习模型的参数空间巨大，模型的超参数选择对最终预测性能的影响至关重要。

Matlab大师兄
2025-01-01 23:07:46

 692

 29

#分类 #matlab #cnn
一文读懂 CNN、RNN、LSTM 和 Transformer

最后，经过卷积层和池化层处理的数据进入全连接层，全连接层综合这些信息，输出最终的结果。比如 LeNet - 5 这个经典的 CNN 模型，它是专门用来识别手写数字的，通过依次经过输入层、卷积层、池化层、卷积层、池化层、卷积层、全连接层和输出层，成功地实现了对手写数字的识别，为 CNN 的发展打下了坚实基础。在情感分析里，LSTM 先对文本进行预处理，然后把文本转换为词向量序列，接着提取文本中的情感

 whw2002116
2025-04-18 17:21:23

 1615

 10

#rnn #cnn #lstm
神经网络与深度学习#RNN

在深度学习的版图中，如果说CNN是处理空间数据的“空间艺术家”，那么循环神经网络（Recurrent Neural Network, RNN）就是分析时间序列的“时间诗人”。从股票预测到机器翻译，从语音识别到情感分析，RNN凭借其独特的“记忆能力”，让机器学会了理解序列数据中的时间依赖关系。RNN虽不再是最前沿的序列模型，但其“记忆传递”的思想仍深刻影响着深度学习的发展。理解RNN及其变体（LST

下雨天也不打伞
2025-05-21 10:33:36

 999

 16

#深度学习 #神经网络 #cnn
[ICSCDS 2023]Visual Questions Answering Developments, Applications, Datasets and Opportunities: A St

计算机-人工智能-视觉问答综述

 夏莉莉iy
2025-04-21 21:15:57

 839

 22

#人工智能 #深度学习 #计算机视觉 +4
基于混合 CNN - RNN 时间序列预测研究（Matlab代码实现）

混合CNN-RNN模型通过结合卷积神经网络（CNN）的局部特征提取能力与循环神经网络（RNN）的时序依赖建模能力，显著提升了时间序列预测的精度。本文系统梳理了混合模型的核心架构、优势及典型应用场景，结合Matlab代码实现与案例分析，为金融、能源、医疗等领域的时间序列预测提供理论支持与实践指导。

荔枝科研社
2025-12-01 18:07:27

 943

 25

#cnn #rnn #matlab
2025年最好创新的CNN-LSTM-KAN网络模型python代码

随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模

 2501_92824524
2026-02-21 05:35:00

 398

 9

#cnn #lstm #python +1
回归预测 | MATLAB基于TCN-BiGRU时间卷积神经网络结合双向门控循环单元多输入单输出回归预测

在日益复杂的数据驱动世界中，精确的回归预测成为了诸多领域不可或缺的工具。例如，金融领域的股价预测、能源领域的电力负荷预测、以及环境领域的空气质量预测，都依赖于高效可靠的回归模型。然而，传统的回归模型往往难以捕捉时间序列数据中复杂的非线性关系和长程依赖性。为了克服这些局限，深度学习方法，特别是结合了卷积神经网络（Convolutional Neural Networks，CNN）和循环神经网络（Re

Matlab算法改进和仿真定制工程师
2025-02-28 20:43:33

 696

 18

#回归 #matlab #cnn
TCN基于时间卷积神经网络的多变量时间序列预测研究附Matlab代码

多变量时间序列预测在经济、金融、气象等领域具有广泛的应用价值。传统的循环神经网络（RNN）及其变种，如LSTM和GRU，在处理此类问题时往往存在梯度消失或爆炸、计算复杂度高等问题。近年来，时间卷积神经网络（TCN）作为一种新型的深度学习模型，凭借其并行化计算、长距离依赖捕捉等优势，在时间序列预测任务中展现出卓越的性能。

Matlab算法改进和仿真定制工程师
2025-04-18 16:24:46

 897

 15

#cnn #matlab #人工智能
基于混合 CNN - RNN 时间序列预测研究附Matlab代码

时间序列数据广泛存在于金融、气象、工业生产、医疗等众多领域，对其进行准确预测具有重要的现实意义。例如，在金融领域，股票价格、汇率等时间序列的预测有助于投资者做出合理决策；在气象领域，气温、降雨量等的预测能为防灾减灾提供重要依据。传统的时间序列预测方法，如 ARIMA、指数平滑等，虽然在一定程度上能解决问题，但对于具有非线性、非平稳、多尺度特征的复杂时间序列，预测精度往往难以满足需求。随着深度学习的

 j_jinger
2025-08-10 08:56:29

 423

 5

#cnn #rnn #matlab
INT305 Machine Learning 机器学习 Pt.6 卷积神经网络（Convolutional Neural Network）

摘要：本文探讨了计算机视觉中的语义鸿沟问题，即人类与计算机在图像理解上的差异。计算机将图像视为三维像素数组，面临视角变化、光照变化、形变、遮挡、背景杂乱和类内变化等识别挑战。为解决这些问题，文章介绍了基于数据驱动的图像分类器构建方法，包括数据集收集、分类器训练和性能评估。重点阐述了卷积神经网络(CNN)的结构，包含输入层、卷积层、池化层、归一化层、全连接层和输出层。详细说明了卷积层的工作原理，包括

 sensen_kiss
2025-11-06 21:39:47

 1285

 26

#机器学习 #cnn #计算机视觉
基于卷积神经网络的草莓病害图像识别系统（源码+定制+开发）

摘要：本文介绍了基于Python技术的目标检测系统开发方案，重点讲解了PyQt图形界面开发、YOLO目标检测算法实现以及数据管理方法。系统采用16类数字命名的数据集进行训练，通过PyQt实现可视化交互界面，结合YOLO算法完成实时目标检测。项目包含完整的开发流程，从数据集处理、模型训练到界面集成，并提供丰富的可视化功能，包括检测框绘制、中文标注和多边形面积计算等。同时介绍了系统文件架构和核心代码模

 C++_刘斯淇
2025-10-31 23:59:34

 642

 24

#cnn #人工智能 #神经网络 +4
卷积核（Convolution Kernel）

卷积核（Convolution Kernel）是卷积神经网络（CNN）中的核心组件，用于提取输入数据的局部特征。它通过滑动窗口的方式与输入数据进行逐元素相乘并求和，生成特征图（Feature Map）。

土豆杨626
2025-06-04 10:44:10

 768

 5

#深度学习 #cnn #神经网络
多输入多输出 | MATLAB实现CNN-GRU卷积门控循环单元多输入多输出

近年来，随着深度学习技术的飞速发展，循环神经网络(RNN)及其变体，如长短期记忆网络(LSTM)和门控循环单元(GRU)，在处理序列数据方面展现出强大的能力，广泛应用于自然语言处理、语音识别、时间序列预测等领域。然而，传统的RNN结构在处理包含空间信息的数据时存在局限性，例如图像或视频数据。卷积神经网络(CNN)擅长提取空间特征，将CNN与RNN结合，可以有效地融合空间和时间信息，从而提升模型的表

 Matlab科研辅导帮
2025-01-18 21:30:50

 983

 22

#matlab #cnn #gru
RIME-CNN-LSTM-Attention多变量多步时序预测Matlab实现

时序预测在各个领域，如金融、气象、交通、能源等，都扮演着至关重要的角色。精准的时序预测能够帮助人们更好地理解过去，预测未来，从而进行合理的决策和规划。传统时序预测方法，例如ARIMA模型，在处理线性且平稳的时序数据时表现良好，但面对复杂的非线性、非平稳的多变量时序数据时，其预测精度往往受到限制。近年来，深度学习方法，特别是循环神经网络（RNN）及其变种长短期记忆网络（LSTM），凭借其强大的非线性

 荔枝科研工作室
2025-02-28 22:08:04

 817

 8

#cnn #lstm #matlab
cnn卷积神经变体

CNN（卷积神经网络）在计算机视觉领域取得了巨大成功，其变体主要围绕结构优化、计算效率、多尺度特征融合和注意力机制展开。以下是常见的 CNN 变体及其核心改进点：python运行总结图像分类：优先考虑 ResNet、EfficientNet 或 ConvNeXt。移动端部署：选择 MobileNetV3、ShuffleNetV2。需注意力机制：在基础架构中插入 SE 或 CBAM 模块。多尺度任务

 MYH516
2025-06-06 19:35:39

 896

 17

#cnn #人工智能 #神经网络
使用 Scikit-learn 和 SVM 实现验证码识别系统

在上述代码中，我们读取图像并将其转换为灰度图，进行二值化处理，并将图像调整为统一的尺寸。最后，使用 flatten() 方法将每张图像展平为一维数组，这样可以直接用于 SVM 模型的训练。我们假设数据集中的验证码图像已经准备好了，且每个图像的标签是包含的字符。我们将对图像进行一些预处理操作，包括：将图像转为灰度图、应用二值化、调整图像大小以及将图像展平为一维特征向量。这段代码首先会预处理图像，然后

 ttocr.com
2025-02-22 21:17:28

 814

 25

#cnn #pytorch
TensorFlow子类化API深度解析：自定义层、损失函数与评估指标全攻略（十一）

def __init__(self, ...): # 初始化配置参数def build(self, input_shape): # 创建权重（延迟初始化）def call(self, inputs): # 前向计算逻辑def get_config(self): # 序列化配置（可选）可微分性：必须保证梯度可计算数值稳定性：避免除零、log(0)等问题批处理友好：支持向量化计算参数可调：通过超参数控

 WHCIS
2025-02-18 02:48:00

 842

 8

#tensorflow #人工智能 #python +4
TCN基于时间卷积神经网络的多变量时间序列预测研究附Matlab代码

多变量时间序列预测在经济、金融、气象等领域具有广泛的应用价值。传统的循环神经网络（RNN）及其变种，如LSTM和GRU，在处理此类问题时往往存在梯度消失或爆炸、计算复杂度高等问题。近年来，时间卷积神经网络（TCN）作为一种新型的深度学习模型，凭借其并行化计算、长距离依赖捕捉等优势，在时间序列预测任务中展现出卓越的性能。

Matlab学术达人
2025-04-18 16:24:44

 988

 13

#cnn #matlab #人工智能
CNN-BiGRU-Attention分类预测+SHAP分析+特征依赖图！Matlab代码实现

数据预处理：将数据整理成适合时序分类的格式，通常为[samples, timesteps, features]。构建模型：使用CNN层（一维卷积）提取局部特征。使用BiGRU层捕获时序上下文信息（双向）。加入Attention层（通常为自注意力或对BiGRU输出的注意力）以增强重要时间步的表示。全连接层和分类输出层。训练模型。使用SHAP进行可解释性分析：创建DeepExplainer（适用于深度

 Matlab_数学建模助手
2025-12-01 11:30:30

 682

 9

#cnn #分类 #matlab
【风电功率预测】【多变量输入单步预测】基于CNN-LSTM的风电功率预测研究（Matlab代码实现）

CNN（卷积神经网络）和LSTM（长短期记忆网络）是深度学习中两种重要的网络结构，各自具有独特的优势。CNN擅长从输入数据中提取局部特征，对于风速、风向、温度等气象数据的空间特征提取尤为有效。而LSTM则通过引入门结构（遗忘门、输入门和输出门），解决了传统循环神经网络（RNN）中的“长期依赖”问题，能够有效捕捉时间序列数据中的长期依赖关系和时序特征。将CNN和LSTM结合，可以充分利用两者的优势，

wytm123
2025-06-08 09:09:09

 643

 10

#cnn #lstm #matlab
【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据]（Python代码实现）

西储大学轴承数据集是故障诊断领域广泛使用的标准数据集之一，由凯斯西储大学（Case Western Reserve University，简称CWRU）提供。该数据集包含了多种工况和故障类型的轴承振动数据，涵盖了正常运行的轴承数据以及内圈故障、外圈故障、滚动体故障等多种故障类型的数据。数据集通过安装在电机轴承附近的加速度传感器采集，采样频率分别为12kHz和48kHz，记录了不同负载条件下的轴承振

 荧光Matlab
2025-11-27 12:50:30

 345

 3

#python #pytorch #cnn +1
【风电功率预测】【多变量输入单步预测】基于CNN-LSTM的风电功率预测研究（Matlab代码实现）

CNN（卷积神经网络）和LSTM（长短期记忆网络）是深度学习中两种重要的网络结构，各自具有独特的优势。CNN擅长从输入数据中提取局部特征，对于风速、风向、温度等气象数据的空间特征提取尤为有效。而LSTM则通过引入门结构（遗忘门、输入门和输出门），解决了传统循环神经网络（RNN）中的“长期依赖”问题，能够有效捕捉时间序列数据中的长期依赖关系和时序特征。将CNN和LSTM结合，可以充分利用两者的优势，

qq_551705769
2025-06-08 19:19:55

 706

 26

#cnn #lstm #matlab
时间序列 | MATLAB实现CNN-BiLSTM-Attention时间序列预测

时间序列预测是众多领域的关键任务，例如金融市场预测、气象预报、交通流量预测等。传统的预测方法，如ARIMA、指数平滑等，往往难以捕捉到时间序列中复杂的非线性模式和长程依赖关系。近年来，深度学习技术，特别是循环神经网络 (RNN) 及其变体，在时间序列预测领域展现出强大的优势。然而，单纯的RNN模型也存在一些局限性，例如梯度消失问题和对长序列数据的处理效率低等问题。

Matlab_数学建模助手
2025-01-01 23:21:37

 938

 19

#matlab #cnn #开发语言
基于贝叶斯优化混合CNN-RNN进行股市预测附Matlab代码

股市作为经济的 “晴雨表”，其价格波动受到宏观经济、行业动态、公司业绩、投资者情绪等多种复杂因素的影响，具有高度的非线性、随机性和波动性，准确预测股市走势一直是金融领域的重要课题。传统的股市预测方法，如技术分析、基本面分析等，难以全面捕捉市场中的复杂规律，预测效果往往不尽如人意。随着人工智能技术的发展，神经网络模型在股市预测中得到了广泛应用。CNN（卷积神经网络）在提取数据局部特征和空间关联方面具

 Matlab大师兄
2025-08-10 07:21:15

 500

 24

#cnn #rnn #matlab
【综述】一文读懂卷积神经网络(CNN)

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。本文旨在介绍CNN的基本概念和结构，以及CNN网络架构设计的基本思路。实际设计中，需结合任务需求（分类、检测、分割）选择合适的卷积结构（如空洞卷积用于分割

 程序员小嬛
2025-04-19 11:48:59

 1052

 16

#cnn #人工智能 #神经网络
讲讲卷积神经网络（CNN）和循环神经网络（RNN）

1.CNN（卷积神经网络）2.RNN（循环神经网络）一、核心原理与结构差异。三、关键技术差异对比。

charles666666
2025-04-07 21:20:00

 755

 10

#cnn #rnn #自然语言处理 +2
基于PyTorch框架开发的轴承故障诊断系统，核心为多尺度注意力卷积神经网络（MACNN）

该模块包含MACNN主模型及两种注意力机制的实现，是整个系统的核心算法载体。实现PyTorch的Dataset接口，用于读取单个.mat格式的数据文件，将其转换为模型可处理的Tensor格式。self.data_pd = data_pd # 包含文件路径与标签的DataFramereturn len(self.data_pd) # 返回数据集样本总数# 获取当前样本的文件路径与标签# 读取.mat

QQ68823886
2025-10-21 19:03:03

 906

 17

#pytorch #cnn #人工智能
【风电功率预测】【多变量输入单步预测】基于CNN-LSTM的风电功率预测研究（Matlab代码实现）

CNN（卷积神经网络）和LSTM（长短期记忆网络）是深度学习中两种重要的网络结构，各自具有独特的优势。CNN擅长从输入数据中提取局部特征，对于风速、风向、温度等气象数据的空间特征提取尤为有效。而LSTM则通过引入门结构（遗忘门、输入门和输出门），解决了传统循环神经网络（RNN）中的“长期依赖”问题，能够有效捕捉时间序列数据中的长期依赖关系和时序特征。将CNN和LSTM结合，可以充分利用两者的优势，

wlz249
2025-06-08 09:08:46

 820

 19

#cnn #lstm #matlab
基于WOA鲸鱼优化的TCN时间卷积神经网络时间序列预测算法matlab仿真

TCN 是一种专门为处理时间序列数据设计的卷积神经网络。它以卷积层为核心组件，通过扩张卷积（Dilated Convolution）来增加感受野，从而捕捉时间序列中的长距离依赖关系。与传统的循环神经网络（如 RNN、LSTM）不同，TCN 的卷积操作可以并行计算，大大提高了训练效率。在 TCN 中，输入的时间序列数据依次经过多个卷积层、批归一化层（Batch Normalization）和激活函数

 aycd1234
2025-02-07 03:03:44

 747

 11

#cnn #算法 #matlab
2025年最好创新的CNN-LSTM-KAN网络模型python代码

随着深度学习在时空序列预测领域的广泛应用，传统模型（如CNN、LSTM）在处理复杂非线性关系时面临表达力不足和解释性较差的挑战。本文提出一种融合卷积神经网络（CNN）、长短期记忆网络（LSTM）与Kolmogorov-Arnold Networks（KAN）的创新模型（CNN-LSTM-KAN），通过将KAN网络的可学习激活函数引入传统混合架构，显著提升了模型对多元气象数据的特征提取与时间依赖建模

 yyds_2201
2026-02-21 04:40:24

 874

 22

#cnn #lstm #python +1
李宏毅-卷积神经网络CNN

Convolutional Layer在做影像辨识的时候，其实还有第三个常用的东西—pulling。pulling来自另一个观察：我们把一张比较大的图片做subsampling（下采样），举例来说，把偶数的color都拿掉，奇数的都拿掉，图片变为原来的1/4，但是不会影响里面的东西。把一张大的图片缩小。pooling（池化）本身没有参数，所以它不是一个layer，它里面没有wake，它没有要lea

芋泥小麻薯
2026-01-20 21:14:10

 738

 21

#cnn #人工智能 #神经网络
一文讲清：从像素到认知：CNN让机器“看见”世界

深度学习入门这一系列课程中，我们第一课就分享了前馈神经网络，介绍了全连接层的概念。全连接网络是“通用逼近器”，作为神经网络家族中最基础的成员，构成深度学习的基石。虽然理论上全连接能拟合任何函数，但也存在着效率低、易过拟合等问题，这催生了CNN、RNN、Transformer等更专门的架构。CNN和RNN是对全连接网络的改进：CNN引入空间局部性和平移不变性，专治图像；RNN引入时间依赖性，专治序列

 程序员朱鹏
2025-12-12 16:31:02

 554

 5

#cnn #人工智能 #神经网络 +1
MATLAB时间序列预测：基于CNN-循环网络-注意力机制的时间序列分析

随着工业生产、金融市场、能源消耗、交通流量等领域产生大量时间序列数据，如何高精度预测未来趋势成为热门研究方向。传统时间序列预测方法（如ARIMA、SVR）在处理高维非线性和长依赖问题时往往效果有限。和。这三种模型通过卷积神经网络(CNN)提取局部时序特征，结合循环神经网络(RNN)（包括LSTM、BiLSTM、GRU）捕获长时依赖，再利用注意力机制(Attention)对不同时间步的特征进行加权，

小英熊M
2025-10-04 14:39:25

 1401

 16

#matlab #cnn #人工智能 +1
CNN卷积神经网络

假设我们已经得到图片的二维矩阵了，想要提取其中特征，那么卷积操作就会为存在特征的区域确定一个高值，否则确定一个低值。这个过程需要通过计算其与卷积核（Convolution Kernel）的乘积值来确定。

2201_76021197
2025-03-25 16:41:06

 990

 7

#cnn
ubuntu16.04 qt5实现改进的Face Landmark Detection

之前的一篇博客中提到了，用dlib库Face Landmark Detection自带的人脸检测算法速度慢，准确率低，因此博主将人脸检测算法代替为于老师的人脸检测算法，效果大幅度提升。博主是在ubuntu16.04 qt5实现的，其实就是前两篇博客中程序的结合。1、qt编译（１）配置.pro文件TEMPLATE = appCONFIG += console c++11CONF...

小白clever
2019-03-18 09:34:29

 456

#cnn