基于时空耦合特性的充电站运行状态预测

提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。     

基于Keras手写数字识别模型的改进

针对结构设计不合理的卷积神经网络导致MNIST识别的准确率低、收敛速度慢和训练参数多等问题,提出卷积神经网络结构的改进模型.改进的模型采用2次卷积、2次池化和3次全连接、采用Relu激活函数和Softmax回顾函数相结合,加入Dropout层防止过拟合,加入Flatten层优化结构.为了缩减代码量,采用API功能强大的Keras模型替代Tensorflow.对MNIST的训练集和测试集数据的准确率进行仿真实验,实验结果表明:采用改进的结构在MNIST的训练中不仅收敛速度快、训练参数少、损失率低,而且在测试集上的准确率达到99.54％、高于改进前的99.25％,对后续手写数字的研究具有重要意义.     

一种VGGNet的图像风格迁移算法设计与实现

针对卷积神经网络在实现图像风格迁移中出现的图像失真及精度较差问题,提出一种基于卷积神经网络的图像风格迁移算法。分析传统的纹理重构算法,采用拟牛顿法之一的L-BFGS优化方法对其进行改进。利用Gram矩阵计算图片中的纹理、颜色和视觉信息,提取一幅普通图片和一幅具有代表性的艺术性图像的两种高层抽象特征表示,从而生成具有原内容和艺术性风格的合成图像。在深度学习Keras框架的基础上,设计一种卷积神经网络的图像风格迁移算法。实验结果表明,适度地选择迭代次数可观察合成图像的匹配程度,该算法可提高准确度并降低计算复杂度。     

基于Keras的分类预测应用研究

人工神经网络是机器学习领域中的一个重要研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。人工神经网络在搜索技术、数据挖掘等其他相关领域都取得了很多成果。Keras是一个由Python编写的开源人工神经网络库,可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口,进行深度学习模型的设计、调试、评估、应用和可视化。采用Keras对给定的某餐饮业的样本集合通过归纳分析进行训练,建立神经网络分类模型,得到分类规则,给出该分类预测的算法实现,并对得到的分类结果生成混淆矩阵图进行评价。     

卷积神经网络识别汉字验证码

验证码今已广泛应用在各个领域,常见的英文字母与数字组合的验证码自动识别准确率已达到较高的水准,而汉字因其字符复杂,用传统方法进行自动识别难度很大。提出一种基于卷积神经网络的验证码自动识别方法来提高字符的识别准确率。采用Keras卷积神经网络框架,设计多层卷积来提取深层次图像信息,分别对汉字验证码和字母数字验证码进行识别,以提高模型的泛化性。实验结果表明用该方法汉字验证码的单字识别率已达到99.4%;传统四字符字母数字验证码的识别率最高达到99.3%。这一结果表明深度神经网络对验证码复杂结构的感知能力很强大,通过对比实验发现Keras框架在验证码识别领域有较好效果。     

基于机器视觉与机器学习的车牌识别系统

车牌识别系统包括车牌位置检测子系统、车牌预测子系统和车牌字符识别子系统.车牌位置检测子系统由通道同或算法和漫水填充算法组成.通道同或算法实现预选车牌位置,漫水填充算法实现对不完整车牌图像的补充,共同实现对车牌图像的预定位.车牌预测子系统由支持向量机SVM模型对车牌图像进行训练和分类,进一步预测车牌图像.车牌字符识别子系统由卷积神经网络CNN模型对字符进行训练并识别字符图像.此系统运用于实际的车牌信息提取中,能够减少管理者的工作量,实现车牌信息识别的自动化,降低识别成本.