基于CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python）

基于 CNN-SVM-GA 的图像分类系统的设计与实现代码大全.pdf基于 CNN-SVM-GA 的图像分类系统的设计与实现代码大全.pdf基于 CNN-SVM-GA 的图像分类系统的设计与实现代码大全.pdf

基于 CNN 的手写体数字识别系统的设计与实现代码大全.pdf基于 CNN 的手写体数字识别系基于 CNN 的手写体数字识别系统的设计与实现代码大全.pdf

基于CNN卷积神经网络模式识别系统的设计与实现代码大全.doc基于CNN卷积神经网络模式识别系统的设计与实现代码大全.doc基于CNN卷积神经网络模式识别系统的设计与实现代码大全.doc

基于 CNN 和 VGG 网络模式识别系统的设计与实现.pdf基于 CNN 和 VGG 网络模式识别系统的设计与实现.pdf基于 CNN 和 VGG 网络模式识别系统的设计与实现.pdf

基于神经网络深度学习 ，实现人脸识别项目，包括原始数据 ，训练数据 训练模型 测试数据等，包含演示同步ppt文件使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门包含整个讲解过程，从人脸识别到cnn，卷积

态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。

基于python语言书写用到的函数库有tensorflow，numpy，pandas，matplotlib. 此压缩包下有包含（CNN手写数字识别.ipynb，CNN涂鸦识别.ipynb，两个数据集分别是minist手写字符集和Google涂鸦集，因占用空间超过1G，采用蓝奏云盘的格式分享，附加一份结课文档可参考）。手写数字识别采用卷积神经网路识别minist手写数字集，涂鸦识别采用卷积神经网络识别涂鸦集，经实验效果良好，准确率达到98%以上。并且使用绘图软件自己绘图识别，测试图片为自己绘制。 经实验，效果良好

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

该项目是使用卷积神经网络进行检测森林火灾。 该数据集包含三类图像：“火”、“不火”、“开始火”，总共约 6000 张图像。 该模型可用于从森林的监控录像中检测火灾或火灾的开始或者未发生火灾。 该模型可以实时应用于低帧率监控视频（火灾移动速度不是很快的监控视频），并在发生火灾时发出警报。