注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. DeepLearning关于稀疏自编码器的资料

  2. Sparse deep-learning algorithm for recognition and categorisation sparseae_exercise sparseAutoencoder稀疏自编码 稀疏编码算法概述 稀疏编码算法中的自适应问题研究

  3. 所属分类：专业指导

    • 发布日期：2013-10-09
    • 文件大小：12mb
    • 提供者：kuaizi_sophia

  1. 稀疏自编码器

  2. 这是稀疏自编码器编程的大致过程，便于初学者掌握它的基本步骤，具体代码会后续传上。尽请期待。

  3. 所属分类：专业指导

    • 发布日期：2013-11-21
    • 文件大小：6kb
    • 提供者：u012769442

  1. 稀疏自编码器

  2. 自编码器的主要目的是通过无监督学习神经网络抽取样本的内在特征，也可以称之为有监督学习神经网络（样本标签即自身）。 其基本思想是试图建立一个输出≈输入的神经网络，设置该网络的隐层神经元个数小于输入样本的维数，强制隐层抽取样本的潜在特征（只有当隐层抽取到原始输入的大部分特征，才有可能输出≈输入）。 当然，我们也可以设置隐层神经单元个数大于输入维数，再通过加入稀疏性限制来发现输入数据的结构。 总而言之，输入≈输出的神经网络+稀疏惩罚=稀疏自编码器

  3. 所属分类：嵌入式

  1. 稀疏自编码深度学习的Matlab实现

  2. 稀疏自编码深度学习的Matlab实现，sparse Auto coding，Matlab code

  3. 所属分类：其它

    • 发布日期：2014-04-03
    • 文件大小：206kb
    • 提供者：bomany

  1. 稀疏自编码器的参数初始化

  2. UFLDL中训练稀疏编码器时，对参数初始化的标准程序，我只是翻译了注释

  3. 所属分类：其它

    • 发布日期：2014-08-16
    • 文件大小：491byte
    • 提供者：seamuswei

  1. 计算稀疏自编码器代价函数和梯度值程序

  2. 实现UFLDL中稀疏自编码器标准程序，各种实现区别不大，参考别人程序，按照自己喜欢的方式重组了一下。

  3. 所属分类：其它

    • 发布日期：2014-08-16
    • 文件大小：2kb
    • 提供者：seamuswei

  1. 用MNIST数据集训练稀疏自编码器主程序

  2. 这是实现UFLDL第二单元“矢量化编程”中用MNIST数据集训练稀疏自编码器主程序，调用了上传的其它几个函数。我的机器上运行10000个样本集的训练大约需要45分钟

  3. 所属分类：其它

    • 发布日期：2014-08-16
    • 文件大小：1kb
    • 提供者：seamuswei

  1. 用MNIST数据集训练稀疏自编码器各文件说明

  2. 对UFLDL第二单元用MNIST数据集训练稀疏自编码器各函数所做的说明。具体函数见上传的6个matlab文件

  3. 所属分类：其它

    • 发布日期：2014-08-16
    • 文件大小：990byte
    • 提供者：seamuswei

  1. 深度学习模型-稀疏自编码matlab算法，内带数据集可直接运行。

  2. 深度学习模型-稀疏自编码matlab算法，内带数据集可直接运行。

  3. 所属分类：教育

    • 发布日期：2014-12-07
    • 文件大小：11mb
    • 提供者：u010127008

  1. 稀疏自编码器（UFLDL教程）

  2. 稀疏自编码器的MATLAB代码实现，按照UFLDL教程给出的教程进行补充编写。

  3. 所属分类：其它

    • 发布日期：2015-07-15
    • 文件大小：10mb
    • 提供者：u010278305

  1. 稀疏自编码 matlab 代码

  3. 所属分类：讲义

    • 发布日期：2017-03-17
    • 文件大小：11mb
    • 提供者：yueya2760

  1. CS294A Lecture notes Sparse autoencoder （稀疏自编码器课程讲义，吴恩达）

  2. CS294A Lecture notes Sparse autoencoder，Andrew Ng，Stanford University

  3. 所属分类：深度学习

    • 发布日期：2017-11-20
    • 文件大小：414kb
    • 提供者：zhcn2010

  1. VC2013深度学习（稀疏自编码）

  2. 一个用VC2013写的深度学习（稀疏自编码）程序：（程序中用到了自己写的一个静态链接库dplrnlib.lib文件，在大型矩阵相乘上采用了自己定义的加速算法和技术，大概8倍于普通算法） 开发环境： 处理器：Intel(R) Core(TM) i7-8550U CPU 1.80GHz 2.00GHz 内存：16G 系统类型：Windows10 64位操作系统 mnist手写数字识别率98%左右，用时大概11时左右，字符数字识别率96%左右，用时2时左右

  3. 所属分类：深度学习

    • 发布日期：2019-05-07
    • 文件大小：25mb
    • 提供者：weixin_42043520

  1. 基于栈式稀疏自编码器的矿用变压器故障诊断

  2. 鉴于将深度学习应用于变压器故障诊断具有良好的故障诊断效果,提出了一种基于栈式稀疏自编码器的矿用变压器故障诊断方法。通过在自编码器隐含层引入稀疏项限制构成稀疏自编码器,再将多个稀疏自编码器进行堆叠形成栈式稀疏自编码器,并以Softmax分类器作为输出层,建立矿用变压器故障诊断模型;利用大量无标签样本对模型进行无监督预训练,并通过有监督微调优化模型参数。算例分析结果表明,与栈式自编码器相比,栈式稀疏自编码器应用于矿用变压器故障诊断具有更高的准确率。

  3. 所属分类：其它

    • 发布日期：2020-05-13
    • 文件大小：425kb
    • 提供者：weixin_38619967

  1. 基于深度卷积稀疏自编码分层网络的人脸识别技术

  2. 面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下

  3. 所属分类：其它

    • 发布日期：2020-04-19
    • 文件大小：694kb
    • 提供者：weixin_38626858

  1. 基于堆栈稀疏自编码的高光谱遥感影像分类

  2. 文中利用深度学习思想来实现影像光谱维和空间维的特征提取,同时尝试加入稀疏约束的限制条件,并结合Softmax分类器,实现高光谱遥感影像的分类。实验结果表明,加入空间特征的基于堆栈稀疏自编码的分类方法能够得到很好的分类效果。

  3. 所属分类：其它

  1. 基于带特征选择的跨域卷积稀疏自编码器的情感纺织品图像分类

  2. 基于带特征选择的跨域卷积稀疏自编码器的情感纺织品图像分类

  3. 所属分类：其它

  1. 基于栈式自编码的水体提取方法

  2. 为了进一步提高利用遥感图像进行水体提取的准确率和自动化程度，提出一种基于栈式自编码( SAE) 深度神经网络的水体提取方法。通过堆叠稀疏自编码器构建深度网络模型，使用逐层贪婪训练法依次训练每层网络，从像素层面无监督学习特征，避免传统神经网络等方法需进行人工特征分析与选取的问题; 用学习到的特征结合相应的样本标签有监督训练 softmax 分类器; 利用反向传播( BP) 算法微调优化整个模型。采用塔里木河 ETM + 数据进.行实验，基于 SAE 的水体提取方法准确率达到 94． 73% ，比支

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：250kb
    • 提供者：weixin_38622475

  1. 基于稀疏自编码器的烟叶成熟度分类

  2. 为降低人工成本,提出了一种基于稀疏自编码器的烟叶成熟度分类算法,从计算机视觉角度自动识别烟叶的成熟度。首先对烟叶数字图像进行去除背景、归一化等预处理操作;其次从无监督学习算法入手,利用稀疏自编码器构建特征学习网络;然后使用部分联通网络进行特征扩展,解决烟叶数字图像像素过大、计算耗时长等问题;最后使用Softmax回归对学习到的特征进行分类。结果表明:将稀疏自编码器应用于烟叶成熟度分类,测试数据分类准确率可达98.63%,优于其他分类器的分类精度。该算法直接从像素层面提取所需要的特征,不需要人为选

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：532kb
    • 提供者：weixin_38653878

  1. 基于多特征和改进自编码的高光谱图像分类

  2. 针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：12mb
    • 提供者：weixin_38610573
« 12 3 4 5 »