登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一种基于PSO-DNN-LSTM混合算法的无人机三维路径规划方法。该方法结合粒子群优化算法(PSO)的全局搜索能力、深度神经网络(DNN)的高维特征提取能力和长短期记忆网络(LSTM)的时序建模能力，用于解决复杂三维环境中的无人机路径规划问题。文章详细阐述了算法架构设计、MATLAB实现过程，包括三维环境建模、PSO路径编码与优化、DNN-LSTM联合评估等关键模块。该方法能够有效处理多
DNN (DotNetNuke) CMS系统中发现高危漏洞CVE-2025-52488，允许攻击者通过精心构造的Unicode字符绕过安全防护，向任意主机发起SMB调用并窃取NTLM凭据。该漏洞位于文件上传功能处，利用Path.Combine函数对绝对路径的处理特性，结合Unicode字符（U+FF0E和U+FF3C）规范化后变为ASCII字符的特性实现绕过。攻击者可构造恶意文件名触发SMB请求，
本文提出了一种基于蚁群算法(ACO)与深度神经网络(DNN)融合的三维无人机路径规划方法。针对复杂三维环境中多约束路径规划问题，该方法通过蚁群算法进行全局搜索，利用深度神经网络学习环境特征与路径质量的关系，为蚁群提供数据驱动的启发信息。MATLAB实现包括三维环境建模、蚁群路径搜索、DNN训练与协同优化等模块，最终输出满足避障、能耗等约束的三维路径。实验结果表明，该混合算法能有效平衡路径长度与安全
本文介绍了一个基于深度神经网络(DNN)的多变量时间序列预测MATLAB实现方案。项目采用滑动窗口数据预处理、双隐藏层全连接网络结构，并实现了双阶段超参数搜索、断点恢复、早停机制、Dropout正则化和L2权重衰减等技术。主要功能包括： 数据生成：自动创建包含5个特征和2个目标的模拟数据集 参数配置：通过GUI界面设置滑动窗口长度、预测步长等关键参数 模型训练：采用Adam优化器，支持从检查点恢复
本文摘要： 本研究提出了一种基于深度学习的苹果病害识别系统，采用VGG16和ResNet50两种卷积神经网络模型对苹果叶片病害进行分类。通过收集1166张苹果病害叶片图像，建立包含9类病害的数据集，并进行了数据增强和预处理。实验结果表明，ResNet50模型取得了97%的分类准确率，优于VGG16的95%。为便于实际应用，开发了基于PyQt5的用户界面系统，可实现快速病害识别（约0.5秒/张）。该
快递分拣中心里，传送带上的包裹像流水般划过，机械臂精准抓取分类——这种工业自动化场景的实现，离不开PLC和上位机的黄金组合。今天咱们就以西门子S7-200 PLC搭配组态王6.55，拆解一个真实的邮件分拣控制系统，看看自动化工程师是怎么让冷冰冰的机器干出"绣花活"的。VD100这个变量就像快递单号，记录着每个包裹的"座位号"，为后续分拣提供导航定位。但真正让我兴奋的，是看到机械臂每次精准抓取时，P
摘要：本文提出了一种基于全连接深度神经网络(FC-DNN)的OFDM接收机架构，直接实现从接收时域信号到原始比特的端到端映射。该方法通过数据驱动方式，利用大量仿真数据训练DNN网络自主学习信道失真和噪声到原始比特的映射关系，避免了传统接收机中信道估计、均衡等模块的误差累积问题。系统采用5层全连接网络结构，通过最小化比特误差进行训练。MATLAB仿真结果表明，该架构在复杂信道环境下相比传统接收机具有
好久不见，甚是想念！小Mi最近一直在忙着消化深度学习的各种知识点，这不就马不停蹄地就给大家安排上啦！今天小Mi给大家介绍简单的深度学习网络（Deep Neural Networks， DNN），废话不多说，赶紧开始吧~感知机首先隆重介绍下神经网络的基础单元——感知机，整体过程就是对若干输入进行加权求和，再加上偏置值，最后通过激活函数得到神经元的输出:中间输出结果：最后通过某一种神经元激活函数，如：
更加复杂的卷积神经网络来了~手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。
MindSpore Vision是基于昇思MindSpore的开源计算机视觉研究工具库
OpenCV的DNN模块让风格迁移变得简单易行，无需深度学习框架即可实现艺术效果转换。核心流程包括：通过blobFromImage预处理图像，用readNetFromTorch加载预训练模型，进行推理后处理后输出。支持静态图片和实时视频处理，只需几十行代码就能在CPU上运行。关键点在于正确处理图像格式转换和参数设置，如swapRB通道顺序调整和scalefactor数值缩放。提供多种艺术风格模型选
本文介绍了使用OpenCV DNN模块实现图像风格迁移的方法。主要内容包括：1）OpenCV DNN模块支持多种深度学习框架模型，特别是Torch7格式的风格迁移模型；2）详细解析了blobFromImage预处理、readNetFromTorch模型加载和前向传播等核心API；3）通过单图风格迁移和四宫格视频风格迁移两个实战案例，展示了代码实现过程。该方法无需依赖PyTorch等重型框架，能够快
如果你是。
在边缘计算场景中，深度神经网络（DNN）因模型复杂度高、计算开销大的特性，直接在终端设备（如手机、物联网传感器）上运行时，常面临算力不足、能耗过高、延迟超标的问题。计算卸载作为核心解决方案，通过将 DNN 的部分层（如卷积层、全连接层）迁移至边缘节点（如基站、边缘服务器）执行，可平衡终端设备资源消耗与任务处理效率。当前 DNN 卸载策略研究中，传统优化方法（如整数规划、动态规划）虽能理论上求得最优
深度神经网络是我们用。
网络结构才是重头戏。注：本程序只是帮助大家参考如何在Matlab中搭建CNN-LSTM模型，用的卷积核数量很少，LSTM隐含单元数目也非常少，故本实验结果较差。注：本程序只是帮助大家参考如何在Matlab中搭建CNN-LSTM模型，用的卷积核数量很少，LSTM隐含单元数目也非常少，故本实验结果较差。按4:1比例随机划分训练集和测试集，训练集为400只猫400只狗，测试集为100只猫和100只狗。按
有限元仿真模型四：基于comsol的单相变压器绕组及铁芯振动形变仿真模型1、单相变压器绕组振动形变模型：绕组在漏磁场的洛伦兹力作用下振动，在长期作用下发生位移形变2、单相变压器铁芯振动形变模型：铁芯在磁致伸缩作用下发生振动形变注：时域仿真可以设置观察点，导出随时间变化的变压器磁通、位移、压力、形变曲线在电力领域，对单相变压器的研究至关重要，而借助Comsol进行绕组及铁芯振动形变仿真模型的搭建，能
神经网络的概念最初来源于生物学家对大脑神经网络的研究，从中发现其神经元的工作原理，并且从数学角度提出感知模型，并对其进行抽象化。
深入理解与患者细胞和分子层面生存时间相关的复杂生物过程，不仅对开发新治疗方法至关重要，也有助于准确预测生存。然而，高度非线性和高维、低样本量（HDLSS）数据在生存分析中带来了计算挑战。我们开发了一种新型基于通路的稀疏深度神经网络，称为Cox-PASNet，通过整合高维基因表达数据和临床数据进行生存分析。Cox-PASNet是一种可生物学解释的神经网络模型，其中网络中的节点对应特定的基因和通路，同
局部遮阴下的光伏最大功率点跟踪，布谷鸟算法结合变步长电导增量，相比结合电导增量在最大功率点附近更加稳定，追踪效果有了一定的提升（模型包含重启功能，光照突变后自动重启算法）文件包含了布谷鸟算法结合电导增量法以及布谷鸟算法结合变步长电导增量两种，放在一个模型里方便对比分析下图3和图4对结合大步长电导增量法和小步长电导增量法和结合变步长电导增量法这三种进行了对比文件版本为2018a在光伏系统的研究领域，
本文介绍了基于OpenCV DNN模块实现图像风格迁移的方法。通过预训练的Torch格式模型(.t7)，可以快速将普通图像转换为梵高、蒙克等艺术风格。文章详细讲解了静态图片风格迁移的实现步骤，包括图像预处理、模型加载、推理计算和结果处理。进阶部分展示了实时视频四宫格多风格迁移的实现，通过分割画面区域应用不同风格模型。同时提供了完整的预训练模型清单，涵盖经典艺术风格和特色纹理风格，并给出常见问题解决
摘要：本项目提出了一种基于RRT-DNN的无人机三维路径规划方法，通过结合快速扩展随机树（RRT）算法和深度神经网络（DNN）的优势，解决复杂环境下的路径规划问题。RRT算法负责空间探索，DNN则提供智能引导，显著提高了采样效率和路径质量。系统在MATLAB平台上实现了三维环境建模、动态障碍规避和实时路径优化，支持多传感器数据融合。该方法在15个随机障碍物的测试场景中展现出优越性能，路径长度优化率
这个小玩意儿肯定比不上专业的音频处理软件（比如Audition、Logic Pro），但胜在免费、小巧、带实时交互GUI、有注释适合半吊子抠细节。小白纯玩剪个小vlog片尾彩蛋肯定够用，半吊子抠抠Functions里的代码还能学到一点STFT/ISTFT、滤波器、相位声码器的皮毛。如果有什么bug或者想加的功能（比如AI降噪？不过AI降噪要工具箱还要模型，我暂时搞不定），可以在评论区留言，我有空会
WTK6900FC凭借千万级样本训练的深度学习模型、95%以上的鼾声识别准确率、300ms以内的响应延迟，以及145mW的低功耗表现，成为睡眠健康监测领域的核心芯片选择。其标准化的硬件接口与串口协议，配合SSOP24小型封装，使终端厂商能够快速集成，缩短产品上市周期。
摘要：本项目提出一种基于PSO-DNN混合算法的无人机三维路径规划方法，通过结合粒子群优化(PSO)的全局搜索能力和深度神经网络(DNN)的环境建模优势，解决复杂三维空间中的路径规划问题。系统采用PSO进行路径优化搜索，DNN负责环境特征提取和路径评估，实现高效避障与动态路径调整。MATLAB实现包含三维环境建模、粒子编码初始化、PSO-DNN协同优化等核心模块，支持多目标约束和动态环境适应。实验
触发式检测：只有光电传感器检测到零件到位，才触发相机拍照和算法检测，不是持续推理，减少工控机性能占用；全链路本地运行：从图像采集、算法推理到不良品剔除，所有逻辑全在本地工控机运行，不需要外网、不需要云端服务，哪怕产线断网也能正常运行；异常降级机制：算法推理异常时，系统自动触发产线缓停，同时声光告警，不会让不良品流到下工序，满足汽车行业IATF16949质量要求；模块化解耦：算法核心层和业务逻辑层完
本文详细介绍了基于OpenCV DNN模块实现的图像风格迁移技术，从单张图片处理扩展到实时四宫格视频滤镜效果。文章首先解析了风格迁移的核心原理和OpenCV DNN模块的基础用法，然后通过代码示例展示了单图风格迁移的实现流程。重点讲解了如何将视频帧分割为四个区域并应用不同风格模型，最终拼接成艺术效果丰富的四宫格画面。文中还提供了性能优化技巧和常见问题解决方案，并对该技术的拓展应用和未来发展进行了展
OpenCV DNN模块是一个用于深度神经网络推理的模块，它允许用户在OpenCV中主要特点为：1、轻量: OpenCV 的深度学习模块只实现了模型推理功能，不涉及模型训练，这使得相关程序非常精简，加速了安装和编译过程。2、外部依赖性低:重新实现一遍深度学习框架使得 DNN 模块对外部依赖性极低，极大地方便了深度学习应用的部署。3、方便:在原有 OpenCV 开发程序的基础上，通过 DNN 模块可
随着物联网（IoT）、5G通信技术的飞速发展，智能终端设备（如智能手机、自动驾驶汽车、工业传感器）的算力需求与日俱增。深度神经网络（DNN）作为人工智能领域的核心技术，在图像识别、语音处理、智能决策等场景中得到广泛应用。然而，DNN模型的训练与推理过程通常伴随着海量的计算任务和数据传输需求，受限于终端设备的算力、存储容量和电池续航能力，直接在终端本地执行DNN任务往往难以满足实时性和高效性要求。边
本文介绍了一种基于OpenCV DNN模块实现图像风格迁移的简易方法。该方法利用预训练模型，无需复杂深度学习框架，仅需CPU即可快速运行。文章详细讲解了核心API参数、图像预处理、模型推理和后处理步骤，提供了可直接运行的代码和6种艺术风格的预训练模型资源。通过实例展示了如何将人像照片转换为抽象艺术风格，同时保留原图特征。方案具有环境配置简单、运行速度快、效果优质等特点，适合计算机视觉初学者快速实现
甲烷重整SOFC模型，固体氧化物燃料电池反应气体为甲烷、氢气，考察了甲烷重整对电池内部气体浓度，温度的影响，基于仿真软件comsol探究了单通道SOFC的内特性，考虑了传热传质下的SOFC内特性，电池片的厚度来自于实际电池SEM扫描结果，输出结果包括温度分布，气体分布，电流密度分布，速度，气体压力，三维二维的数据，在能源领域，固体氧化物燃料电池（SOFC）凭借其高效、环保等优势，成为众多科研人员关
本文基于我7年工业视觉、智能制造项目的一线落地经验，针对YOLOv11部署中最痛的「Python依赖重、工控机环境适配难、C++/C#上位机集成复杂」三大核心问题，完整拆解OpenCV DNN模块实现YOLOv11高性能目标检测的全流程工业级方案。从模型导出的兼容配置、与Ultralytics完全对齐的预处理逻辑，到C++/C#双端生产级可运行代码、CPU/GPU多后端高性能优化，再到15个工业部
摘要：本项目基于MATLAB实现Q-learning与深度神经网络(DNN)结合的算法，用于无人机三维路径规划。针对传统算法在复杂动态环境中的局限性，该方案通过深度强化学习实现智能避障和最优路径生成。系统采用三维栅格环境建模，设计包含128-64节点的DNN结构，结合经验回放和目标网络机制提升训练稳定性。项目包含完整的环境初始化、动作空间定义、奖励函数计算等核心模块，并通过epsilon-gree
本文提出了一种基于细菌觅食优化算法(BFOA)和深度神经网络(DNN)的无人机三维路径规划方法。该方法通过BFOA的群体智能搜索机制实现全局路径优化，结合DNN的环境特征学习能力提升规划效率。项目在MATLAB平台实现了三维环境建模、多目标适应度评价、路径平滑优化等功能模块，解决了复杂障碍物建模、多目标优化、实时性等关键挑战。实验结果表明，该联合算法能够有效生成安全、平滑且能耗最优的三维飞行路径，
OpenCV 的 DNN（Deep Neural Network）模块是一个轻量级的深度学习推理工具，它让我们无需安装 PyTorch、TensorFlow 等庞大的深度学习框架，就能直接在 OpenCV 中加载并运行训练好的模型。结合 YOLOv11 这一最新、最先进的目标检测模型，我们可以快速搭建一个高效、易部署的目标检测应用。本文将一步步带你使用 OpenCV DNN 加载 YOLOv11
本文深入剖析龙讯半导体（Lontium）两款主流视频桥接芯片LT6911UXC与LT9611UXC的参考固件代码。这两款芯片广泛应用于视频采集、转换和传输领域，尤其在对接海思（HiSilicon）3519A/3559A等SoC平台时扮演关键角色。本文将从整体架构、核心功能模块、初始化流程以及与海思平台的集成方式等多个维度，详细解读其固件实现原理，为开发者提供一份高质量的技术参考。LT6911UXC
本文提出了一种基于遗传算法(GA)与深度神经网络(DNN)融合的无人机三维路径规划方法。该方法通过GA进行全局路径搜索，利用DNN评估路径质量，在MATLAB平台上实现了完整的环境建模、路径编码、遗传优化和神经网络评估模块。实验结果表明，该混合算法能够有效处理复杂三维环境中的路径规划问题，兼顾路径安全性、平滑性和计算效率。项目提供了完整的程序代码和GUI设计，为无人机智能导航研究提供了实用解决方案
采用Django作为后端框架，搭配TensorFlow/Keras构建深度神经网络模型。前端使用Vue.js或React配合ECharts/Chart.js实现数据可视化大屏。数据库选用PostgreSQL或MySQL，支持结构化数据存储。设计多维度评价表单，包括课程内容、教师表现、学习效果等评分项。通过Django ORM建立评价模型，字段涵盖评分、文本评价、时间戳等。对于本系统，我们提供全方位
本文介绍了一种基于粒子群优化算法（PSO）和深度神经网络（DNN）的光伏功率预测方法。该方法通过PSO优化DNN的初始权重和结构参数，克服传统DNN易陷入局部最优的问题，显著提升预测精度。文章详细阐述了数据预处理、特征选择、模型构建和优化过程，并提供了MATLAB代码实现。实验结果表明，该模型在光伏功率预测任务中表现出色，具有较高的准确性和泛化能力。项目采用模块化设计，支持可视化分析和交互式操作，
out = net.forward()是执行神经网络的前向传播，输入数据经过网络各层计算，out是模型的原始输出，通常是多位数组，这里out是四维的B*C*H*W（B: batch图像数量（通常为1），C: channels通道数，H: height高度，W: width宽度）这里我们是对单张图片进行处理，批处理这个维度是不必要的为了后续方面所以这里我们转化为三维。结果转置一下数组（C,H,W）转
dnn
——dnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AI硬件创业社区
快递鸟社区
九章云极普惠算力
昇腾开源生态专区
魔珐星云开发社区
openvela
