大学毕业设计 使用python基于opencv开发车牌识别系统，可以实现后台传输的图片识别 使用了两个相同结构的卷积神经网络 车牌识别系统可以分为两个部分， 第一个部分是车牌定位过滤部分； 第二个部分是字符识别部分； 在这两部分中我都是使用CNN卷积神经网络训练之后进行识别内容。 车牌定位部分使用的技术主要为图像预处理，车牌轮廓提取还有车牌的定位； 字符识别部分使用的技术主要为字符的分割，然后完成字符识别，输出车牌信息。 输入层：36x128 第一层卷积：卷积核大小：3x3，通道数：3，卷积核个数：32，激活函数使用Relu，四个维度的滑动步长为1，填充算法的类型：SAME。 第一层池化：使用池化窗口大小为2x2的最大池化，由于不想在batch（批量）同channels（通道）做池化，因此设置为1. 第二层卷积：卷积核大下：3x3，通道数为32，卷积核个数：64，激活函数使用Rule，四个维度的滑动步长为1，填充算法的类型：SAME。 第二层池化：同样使用池化窗口大小为2x2的最大池化，由于不想在batch（批量）同channels（通道）做池化，因此设置为1. 第三层卷积：卷积核大

通过粒子群算法对卷积神经网络结构的参数进行优化，最后在训练集和测试集上进行验证，效果比普通卷积神经网络的精度更高。粒子群算法可以有效高效地为卷积神经网络的超参数搜索提供方案。相比手动设计,粒子群算法通过模拟进化算法的方式,有望找到更佳结构。 粒子群算法可以用于卷积神经网络（Convolutional Neural Network, CNN）的优化。CNN是一种常用于图像识别、语音识别等领域的深度学习模型，它由多个卷积层、池化层和全连接层组成。CNN模型的优化需要调整的超参数很多，包括卷积核大小、卷积核数量、池化大小、学习率等等。因此，使用传统的梯度下降算法可能会陷入局部最优解，而粒子群算法则可以通过全局搜索来寻找更优的解。

Maltab实现CNN卷积神经网络故障诊断（代码完整，可直接运行，适合2018及以上） 卷积神经网络（convolutional neural network）是具有局部连接、权重共享等特性的深层前馈神经网络，最早主要是用来处理图像信息。 相比于全连接前馈神经网络，卷积神经网络有三个结构上的特性：局部连接、权重共享以及汇聚，这些特性使得卷积神经网络具有很好的特征提取能力，且参数更少。 利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

基于matlab的卷积码编译码仿真 本文简明地介绍了卷积码的编码原理和译码原理。并在SIMULINK模块设计中，完成了对卷积码的编码和译码以及误比特统计整个过程的模块仿真。最后，通过在仿真过程中分别改变卷积码的重要参数来加深理解卷积码的这些参数对卷积码的误码性能的影响。经过仿真和实测，并对测试结果作了分析。

两种亚热带土壤中铁锰的淋溶淀积及其对Pb和Cd的吸附特征，汤帆，尹兰果，以亚热带的黄棕壤和棕红壤为装柱材料，用铁锰混合溶液（0-0.04 mol/L）淋溶土柱，研究铁锰在土壤中的淀积特征；并用等温吸附法研究其

在本文中，我们正在对陆地2D数据执行Spiking和Gap反卷积； 我们在操作员长度（200 ms）上应用击球和堆栈数据，而在间隙反卷积中使用不同的间隙窗口（16.24 ms）。 输出数据的质量优于输入数据，并且频率分布具有同质性。 另外，在尖峰解卷积的情况下，频率的带宽也在增加，并且平滑专家，因为它提高了时间分辨率，因此，对于我们来说，层之间的夹层显得很重要，这对于解释非常重要。

基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于卷积神经网络实现MNIST手写数字数据集识别应用+GUI可视化源码+数据（课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作

我们研究了Gk1×Gk2 / Gk1 + k2陪集CFT的可积分λ变形的有效作用。 对于不相等的水平，这些模型不属于与对称空间相对应的CFT的λ变形的一般讨论，而是具有许多吸引人的特征。 我们证明扰动是由parafermion双线性驱动的，并且我们重新研究了它们的代数的推导。 我们发现了这些模型参数空间的非平凡对称性，这在文献中从未遇到过。

我们为AdS3上的广义相对论提出了一组新的边界条件，其中边界自由度的动力学由可积方程的Gardner层次结构的两个独立的左右成员描述，也称为“混合KdV-mKdV” 层次结构。 该可集成系统具有非常特殊的属性，可将Korteweg-de Vries（KdV）和改进的Korteweg-de Vries（mKdV）层次结构同时组合在一个可集成结构中。 三维时空引力和二维可积系统之间的这种关系是基于最近在AdS3上引入的“软毛边界条件”的扩展的，现在允许化学势局部取决于动力场及其空间 衍生品。 Gardner系统的完整可积结构，即相空间，泊松括号和无限数量的可交换守恒电荷，是直接从渐近分析和重力理论中的守恒表面积分中直接获得的。 这些边界条件具有特殊的性质，它们也可以解释为在具有事件视界的时空的近视界区域中定义。 然后，黑洞解决方案自然地容纳在我们的边界条件内，并由与Gardner层次结构的相应成员相关联的静态配置来描述。 还讨论了由我们的边界条件定义的集合中黑洞的热力学性质。 最后，我们证明了我们的结果可以自然地扩展到宇宙常数消失的情况，并且可积系统与AdS3情况完全相同。

扩散卷积循环神经网络：数据驱动的交通预测 这是以下论文中Diffusion Convolutional Recurrent Neural Network的TensorFlow实现： Yaguang Li、Rose Yu、Cyrus Shahabi、Yan Liu，，ICLR 2018。 要求 scipy>=0.19.0 numpy>=1.12.1 熊猫>=0.19.2 皮亚尔 统计模型 张量流>=1.3.0 可以使用以下命令安装依赖项： pip install -r requirements.txt 数据准备 洛杉矶（METR-LA）和湾区（PEMS-BAY）的交通数据文件，即metr-la.h5和pems-bay.h5 ，可以在或，需要放入data/文件夹。 *.h5文件使用HDF5文件格式将数据存储在panads.DataFrame 。 下面是一个例子： 传感器_0 传