这个文档有两个工程代码，一个是基于卷积神经网络人脸识别代码，还有一个是基于开源的face_recognition库的人脸代码，这个代码有详细的注释，并且有基于图片识别的和基于摄像头视频实时识别的，代码内容丰富，值的大家学习。

基于特征提取和模式识别的多体制通信信号自动调制识别技术是软件无线电领域中的重要研究课题，是复杂电磁环境下频谱管理、频谱检测等非协作通信领域的关键技术之一。提出一种基于深度学习的通信信号调制模式识别算法，应用自编码技术进行特征提取，获得具有较好的抗干扰能力的特征集，然后使用 BP神经网络对经过筛选的特征进行分类识别，实现了MQAM通信信号调制模式自动识别。仿真实验结果表明，所提出的方法分类识别效果好，有效提高了数字调制信号自动识别的抗干扰能力。

面部动作单元识别任务是理解人脸表情最重要的环节之一,但因为类别极度不平衡和属于多标签分类等问题,给算法设计带来了不小的困难。针对这些问题设计了一种基于深度学习的面部动作单元识别算法。首先,基于迁移学习理论,以人脸识别任务为目标驱动,使用大规模数据集预训练卷积网络,使模型具有提取人脸抽象特征的能力;其次,设计了一个根据分类置信度来动态加权样本损失大小的目标函数,使得模型更关注于优化少数类样本;最后,结合多标签共现关系拟合和人脸关键点回归两个相关任务,联合训练模型并测试。实验结果表明,该方法在CK+和MMI数据集上能有效提升分类正确率与F1分数。

现阶段网络上的五子棋游戏主要是剪枝法或者人工标注，这样导致了机器落子具有了局限性，遇到全新的棋形时无法正确落子。基于上面五子棋游戏的漏洞，本文设计一学习型五子棋博弈算法，算法通过深度学习和蒙特卡洛树搜索算法打破既定规则，提高了机器在下棋时的多变性。该软件使用的神经网络将我方落子、敌方落子、当前落子位置以及当前落子玩家，四个矩阵作为输入数据，加强了网络提取特征的速度和拟合效率，并获取每个点的概率值。在蒙特卡洛树搜索算法中使用了快速落子方式，即标注出多个关键点的价值，使得在模拟时，不需要在无胜算的地方随机落子，通过这种方法可以提高落子效率。该算法经过一定规模的训练达到了较好的博弈水平。本软件优点在于，通过使用蒙特卡洛树搜索算法让计算机可以不再依靠人类创造的落子策略，使用深度学习可以加快运算出蒙特卡洛概率值，提高整体游戏落子速度。该算法建立在深度学习的相关知识和计算机博弈的相关知识基础上，实现了基于深度学习与蒙特卡洛树搜索的五子棋博弈算法，并设计出卷积网络接口net。

这份文档对利用深度学习研究语音识别的专业人员颇有参考价值，尤其是对语音关键词检出的研究有比较高的参考价值。 研究成果新颖、前沿

本项目在硬件上基于大批量的传感器、无线传感网络构成环境感知与情景控制系统，在软件上基于大数据及深度学习算法构成决策及控制系统。系统可以通过大量的用户历史数据对家居用户行为习惯进行深度分析和学习，并通过传感网络对环境信息进行感知分析，最终实现智慧家居环境的自动化整体控制。另外系统中还包含了各类安防传感器，提高了人们及时发现和处理紧急情况的能力，从而提高用户的生活质量

基于深度学习的高光谱影像分类方法研究

DeOldify - 基于深度学习对老照片自动着色与修复

基于深度学习的机会网络链路预测

基于深度学习的故障检测.docx