基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。     

基于深度学习的搜索广告排序应用

本文在研究卷积(Convolutional Neural Networks)与LSTM(Long Short Term Memory)的基础上,结合两者优势,提出了一种混合模型。首先用卷积神经网络提取关键特征,然后依据LSTM神经网络时序特点进行预测和分类。结果表明:对比浅层或单层网络,本文提出的组合模型较好地提高了点击率预估准确度,从而增强了搜索广告排序应用效果。     

基于注意力机制和深度学习模型的外来海洋生物命名实体识别

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

基于改进胶囊网络的绝缘子破损识别与定位

针对接触网绝缘子破损识别,传统的特征匹配和神经网络分类识别率较低,同时因其需要人工提取和训练等问题,识别速率也较慢.相比传统卷积神经网络(CNN),胶囊网络(CapsNet)首次采用矢量作为输入,可以很好的保留目标的方向,角度等特征信息,更适合于识别复杂背景下的绝缘子.因此提出一种基于改进胶囊网络和CV模型结合的绝缘子...     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

卷积神经网络在心拍类识别中的应用

本文基于卷积神经网络进行心拍类识别中的应用进行处理,可以有效的解决数据不平衡的问题,通过构建CNN模型提取心拍特征,综合各类别CNN模型进行识别与分类处理,其效果显著。基于此,文章主要对卷积神经网络在心拍类识别中的应用分析进行了简单的研究。     

基于深度学习的人脸识别系统

本文设计描述了三种人脸识别技术:(1)通过肤色模型训练的图像变化技术对图像的人脸区域进行识别并分割出来。(2)Eigenface人脸识别算法的图像表示技术通过输入已知人脸图片,可视化特征脸,与系统相似脸匹配并计算识别准确率。(3)全连接神经网络技术和卷积神经网络技术实现对对输入人脸的识别分析和匹配测试,从系统库里找到与之最相近的的脸,并可视化展示。     

基于LSTM的盾构掘进轨迹预测研究

盾构隧道建设过程中需要对盾构机的行进轨迹进行控制,使得盾构实际掘进线路与隧道设计轴线相吻合.文章利用长短期记忆循环神经网络(LSTM)处理时间序列数据的优势,提出了一种盾构机掘进轨迹预测模型.模型利用LSTM层代替传统神经网络中的隐含层,综合考虑了盾构操作参数、地质参数以及几何参数对盾构掘进轨迹误差的影响.结果 显示模型输出与实际测量值较为吻合,绝对误差总体上位于4mm之内,表明所提出的LSTM神经网络模型可以有效地对盾构行进路线进行预测.     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。