Advertisement

Psychopy: 运行心理学与神经系统实验的工具.zip

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Psychopy是一款用于创建心理学和神经科学实验的强大而灵活的软件工具包，支持多种刺激呈现方式，并兼容多平台运行。 PsychoPy 是一个开源软件包，用于在 Python 中创建心理实验刺激。它结合了 OpenGL 的图形处理能力和 Python 语言的简洁性，为心理学家提供了一个免费且功能强大的工具，作为 Matlab 的替代方案。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Psychopy: 运行心理学与神经系统实验的工具.zip
    优质
    Psychopy是一款用于创建心理学和神经科学实验的强大而灵活的软件工具包，支持多种刺激呈现方式，并兼容多平台运行。 PsychoPy 是一个开源软件包，用于在 Python 中创建心理实验刺激。它结合了 OpenGL 的图形处理能力和 Python 语言的简洁性，为心理学家提供了一个免费且功能强大的工具，作为 Matlab 的替代方案。
     
  • TBI研究的PsychoPy实验-TBI_Research
    优质
    TBI_Research是利用PsychoPy软件开展针对创伤性脑损伤（TBI）的心理学实验项目，旨在通过科学实验深入了解TBI的影响及机制。 TBI_Research 存储库包含用于创伤性脑损伤（TBI）研究的PsychoPy实验版本，如Corsi任务、ANT-I以及空间斯特鲁普测试等。
     
  • 哈理工人工智能实验：神经网络与应用
    优质
    本课程为哈尔滨理工大学的人工智能实验系列之一，专注于探索和实践神经网络技术及其在现实世界中的广泛应用。通过理论学习与编程实战相结合的方式，学生能够深入理解神经网络的工作原理，并掌握其设计、训练及优化技巧，为解决复杂问题提供创新方案。 使用给定样本集（其中前两列为样本特征，最后一列为样本标签）构建神经网络模型，并对模型性能进行测试。实现过程主要步骤为：1. 根据数据集随机选定训练样本和测试样本；2. 构造BP神经网络模型，利用训练样本学习模型参数；3. 测试模型性能。
     
  • 在C6678上运行Linux系统的经验总结
    优质
    本文档分享了作者在C6678平台上部署和使用Linux操作系统的心得体会与实践技巧，旨在为技术爱好者及开发者提供实用指导。 该文档包含了在TMS320C6678上成功运行Linux系统的详细步骤，从虚拟机和双系统搭建的详细过程到DSP与PC之间的通信实现，并总结了可能出现的问题及注意事项，还包括DSP上的相应编译器信息。
     
  • mental_rotation_exp: 使用Psychopy和Ratcave在Python中实现的简单3D心理旋转实验。仅用于...
    优质
    mental_rotation_exp 是一个利用Python的Psychopy和Ratcave库创建的简易3D心理旋转实验程序，旨在研究个体空间认知能力。该工具适用于心理学及认知科学研究与教学。 使用Psychopy和ratCAVE进行3D心理旋转认知心理学实验的脚本演示如下： 要运行此实验，请先克隆存储库，并安装“ requirements.txt”中列出的所有必需Python软件包，然后在Python 2环境中执行run.py文件（因为Psychopy仅支持Python 2）。 步骤包括： 1. 克隆相关代码仓库。 2. 安装所需的python软件包：`pip install -r requirements.txt` 3. 运行实验脚本：`python run.py` 您可以通过修改“ config.py”中的值来自定义实验选项。此外，示例数据可以在“ data”文件夹中找到，并且一些示例分析可在“ jupyter_notebooks”文件夹内查看。 视频资料展示了此实验的实际运行效果。
     
  • 电力系统经济运作与市场竞价的Matlab工具包.zip
    优质
    本资源提供一套用于电力系统经济运行及市场竞价分析的MATLAB工具包。包含模型构建、仿真优化等模块，适用于科研和教学需求。 压缩包包含电力系统专业大作业的代码及文档说明。主要内容是关于电力市场的最优化分配问题，并应用了等耗量微增率准则。
     
  • 深度学习与神经网络实验1
    优质
    本课程为学生提供实践平台，探索深度学习和神经网络的核心概念和技术。通过一系列实验项目，学员将掌握模型构建、训练及优化技巧。 请使用线性回归模型拟合以下两组数据（也可以选择逻辑回归或感知器算法）。第一组数据为：[1, 1], [2, 3], [2, 1], [1, 0], [5, 2], [4, 0], [3, 1], [4, 3], [7, 3]。第二组数据为：[0.067732, 3.176513],[0.427810, 3.816464],[0.995731, 4.550095],[0.738336, 4.256571],[0.981083, 4.560815],[0.526171, 3.929515],[0.378887, 3.526170],[0.033859, 3.156393],[0.132791, 3.110301],[0.138306, 3.149813],[0.247809, 3.476346],[0.648270, 4.119688],[0.731209, 4.282233],[0.236833, 3.486582],[0.969788, 4.655492],[0.607492, 3.965162],[0.358622, 3.514900],[0.147846, 3.125947]。
     
  • 深度学习与神经网络实验04
    优质
    本课程为《深度学习与神经网络》系列实验第四部分，侧重于实践操作和项目应用，旨在通过编程实现神经网络模型来解决实际问题，帮助学生深入理解深度学习核心概念和技术。 利用numpy 和tensorflow 、pytorch 搭建全连接神经网络。使用numpy 实现此练习需要自己手动求导，而tensorflow 和pytorch 具有自动求导机制。 数据集: MNIST数据集包括60000张训练图片和10000张测试图片。这些样本的数量足够用来训练一个非常复杂的模型（例如深层的CNN神经网络）。它经常被用作新模式识别模型的基准测试案例，同时也为学生和研究者们提供了一个方便执行实验的数据集。此外，MNIST数据集相对较小，可以直接在笔记本电脑CPU上运行。 题目要求： 补全full_connection_numpy.ipynb 和 full_connection_tensorflow.ipynb中空缺的部分。
     
  • Python中的机器学习与神经网络实验
    优质
    本课程带领学生探索Python编程语言在机器学习和神经网络领域的应用，通过一系列实践实验加深理解。 在机器学习和认知科学领域，人工神经网络（artificial neural network, ANN）简称神经网络（neural network, NN）或类神经网络，是一种模仿生物神经网络结构与功能的数学模型或计算模型，主要用于函数估计或近似。这种系统由大量的联结在一起的人工神经元构成，并且大多数情况下能够根据外界信息自适应地改变内部结构。 现代人工神经网络可以看作一种非线性统计数据建模工具。每个单独的组件被称为“神经元”。一个典型的神经元模型包括输入变量（例如，x1、x2和x3），中间部分代表处理单元即实际的“神经元”，而输出则是函数hw,b(x)的结果。 整个过程可以概括为：输入 -> 处理 -> 输出。多个这样的神经元组合在一起就形成了人工神经网络。比如一个四层结构的人工神经网络，其中layer1是输入层、layer4是输出层，中间的layer2和layer3则被称作隐藏层。简单来说，典型的神经网络由三部分组成：输入层（接收外部数据）、若干个隐藏层（进行内部处理）以及最终的输出层（提供结果）。
     
  • 从零构建：独立运行的自适应神经模糊推理系统
    优质
    本项目专注于设计和实现一个独立运作的自适应神经模糊推理系统，旨在通过融合人工智能中的神经网络与模糊逻辑理论，提供更加智能且灵活的问题解决策略。该系统能够自我学习并优化其性能以应对各种复杂环境与需求，适用于自动化控制、数据分析等多个领域。 从头开始构建的自适应神经模糊推理系统。该系统内部所有代码均为独立编写，无需依赖外部库或资源。