解压后运行interface.fig。含有界面，分为网络训练、网络测试、验证码识别三个功能。

本文研宄并实现了一个车牌自动识别系统，该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Ｔｅｎｓｏｒｆｌｏｗ开发平台，搭建ＣＮＮ卷积神经网络，通过采集到的车牌图片训练神经网络，使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分，本文具体研究了利用ＳＴＭ３２ＭＰ１５７嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理，以及如何利用ＳＴＭ３２ＣＵＢＥ－ＡＩ软件将训练好的ＣＮＮ神经网络部署到嵌入式平台中，实时进行车牌识别。最后通过试验得到了识别结果，并达到了预期的效果，分析出了相应的车牌号。本文的主要工作与创新之处总结如下：１．对车牌自动识别技术的发展现状做了全面深入的调研与总结概括，将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点２．提出了基于ＣＮＮ卷积神经网络的车牌定位方案３．设计并实现了一个简便的嵌入式车牌自动识别系统，并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明，与其他单函数方法相比，卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外，与现有车辆识别系统对比，本文提出的设计方案，在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。

基于深度学习的孤立词语音识别系统，采用CNN，内含代码和数据以及课程，用python+tensorflow写的

基于python和CNN算法实现微博情感分类，分4类： 0：喜悦 1：愤怒 2：厌恶 3：低落。 大致思路是利用CNN对已有的的词汇数据进行训练，然后利用模型在测试集上验证效果。环境配置： windows10企业版(x64)+python3.6.8(x64) nltk == 3.4.5 pandas == 0.25.3 numpy ==  1.16.4 scikit-learn = 0.20.4 keras == 2.2.2 tensorflow == 1.9.0 jieba == 0.42.1

近年来，随着社会生活水平的不断提高，人们对机器智能人声识别的要求越来越高。高斯混合—隐马尔可夫模型（Gaussian of mixture-hidden Markov model, GMM-HMM）是说话人识别研究领域中最重要的模型。由于该模型对大语音数据的建模能力不是很好，对噪声的顽健性也比较差，模型的发展遇到了瓶颈。为了解决该问题，研究者开始关注深度学习技术。引入了CNN深度学习模型研究连续语音说话人识别问题，并提出了CNN连续说话人识别（continuous speaker recognition of convolutional neural network, CSR-CNN）算法。模型提取固定长度、符合语序的语音片段，形成时间线上的有序语谱图，通过CNN提取特征序列，经过奖惩函数对特征序列组合进行连续测量。实验结果表明，CSR-CNN算法在连续—片段说话人识别领域取得了比GMM-HMM更好的识别效果。

本程序代码为本人学习过程中的示例程序，本程序主要操作和示例，在本人博客中有讲解，博客地址：https://blog.csdn.net/lingtianyulong/article/details/80555908

基于CNN的MNIST数字识别

使用Tensorflow框架，基于CNN的python源码，实现车牌训练和识别。

太阳能光伏产业近年发展迅速，准确诊断光伏组件故障位置及类型可以提升运维人员的工作效率。提出一种基于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度学习诊断模型，利用电站原有设备就可完成检测任务。首先提出了一种依据电流值的组件故障分类方式；然后，检测模型根据光伏阵列布局特点设计了一种特征提取算法，分别提取光伏阵列电流横向与纵向特征，来获取空间与时间上的特性；再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩，以解决特征种类单一及训练缓慢的问题；最终进入LSTM神经网络来完成对光伏组件的故障诊断。

传统的卷积神经网络是利用全连接层进行分类，svm对于小样本数据具有较强的分类效果，利用SVM代替卷积神经网络中的全连接层，可以提高网络识别精度