基于深度学习的刀具磨损状态监测技术的研究，基于深度学习的刀具磨损状态监测技术的研究

提出一种基于深度学习（卷积神经网络）的图像去雨框架，取得的效果优于已经存在的绝大多数方法

这里面包含整个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

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些 年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法

基于深度学习的图像去噪算法研究 邓正林 电子科技大学

将深度学习应用于图像语义特征提取中，提出一种无监督的算法与朴素的基于深度学习的图像标注方法。

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

Yang Liu Associate Professor Department of Computer Science and Technology Tsinghua University Bio Yang Liu is a tenured associate professor at the Department of Computer Science and Technology, Tsinghua University. He received his PhD degree from the Chinese Academy of Sciences Institute of Computing Technology in 2007. His research focuses on natural language processing and machine translation. He has published over 60 papers in leading NLP/AI journals and conferences such as Computational Linguistics, ACL, AAAI, EMNLP, and COLING. He was the recipient of ACL 2017 Outstanding Paper, COLING/ACL 2006 Meritorious Asian NLP Paper Award and the National Science and Technology Progress Award second prize. He served as Executive Committee Member of Asia-Pacific Chapter of ACL, Editorial Board Member of Computational Linguistics, Associate Editor of ACM TALLIP, ACL 2014 tutorial co-chair, ACL 2015 local arrangement co-chair, IJCAI 2016 senior PC, ACL 2017/2018 area co-chairs, EMNLP 2016/2018 area co-chairs, and SIGHAN information officer.

通过实验仿真分析得出:（ 1 ）趋势项信号可以影响预测的精度，设置最优的频谱 阈值去除趋势项能够使得预测误差减少 5% ；（ 2 ）压缩后的路网预测运行时间明显减 少，节约时间 90% ；（ 3 ）本文提出的预测模型在预测精度上优于其他预测模型，预测 误差比 SVR 模型减少 8% ，路网中各个路段的平均预测精度可以达到 92%

提出了基于深度学习的聚类算法模型,将深度学习和聚类技术结合起来。首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。