重点研究了深度学习的特征提取，以及深度学习中三个重要的网络模型，分别是可以实现无监督特征学习的深度信念网络 （Deep Belief Network，DBN），图像识别任务中被广泛使用的卷积神经（Convolutional Neural Network，CNN），以及可以实现序列数据学习的循环神 经网络（Recurrent Neural Network，RNN），对它们的网络结构和训练方法展开 深入的研究。

本工具为复旦大学计算机学院机器人研究实验室开发的基于深度学习的中文自然语言处理工具FudanDNN-NLP2.0，该工具可用于中文分词、自定义词汇、文本规范化、命名识别、词性标注、语义分析，用户可以根据需要重新训练或者精调模型。深度学习方法的优点在于不需要预先根据任务进行特征选择（特征工程），系统所需参数较少（节省内存开销），并且解码速度（实际使用）远远快于其它相似性能的系统。

针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型 。 通过归纳合并交通流参数 、 环境状态 、 时段等基础数据来构建交通流特征向量并确定四种预测状态 。 采用深度学习的自编码网络方法从无 标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集 。 应用 Softmax 回归对有标签的新特征 集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测 。 通过仿真对比分析，预测模型具有较省略 特征学习的预测算法更好的预测性能，平均预测精度可达 85% 。

android端，基于openCV与深度学习，实现快速准确的车牌识别。平均识别耗时350ms左右，采集100样本识别准确率达到95%。识别过程：1、使用openCV确定车牌左右、上下区域；2、车牌倾斜判断与校正；3、滑动切割字符；4、深度学习对每个字符进行识别

电子对抗中雷达辐射源分选识别资料（论文资料） 主要基于深度学习算法实现

人脸识别基于神经网络的完整工程代码，包括get_my_face,other_faces，is_my_face,train_model，搭建好环境就能用。

英文IEEE论文“Demand-Side Management using Deep Learning for Smart Charging of Electric Vehicles”原文+人工精准翻译+演讲PPT

该语料共包含中文和英文两种语言，主要是商品评论，评论篇幅都比较短，可以被应用于篇章级或者句子级的情感分析任务。数据集被分为训练数据、测试数据、带标签的测试数据三个文件，共有正向和负向两种极性。 情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025

本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。首先，利用深度学习框架(VGGFace)提取人脸特征；其次，利用PCA对提取的特征进行降维；最后，利用稀疏表达分类实现特征匹配。我采用CMC曲线评价在AR数据库上的识别性能。最后我还提供了整个过程的code。

随着下一代移动通信网络及移动互联网技术的发展,未来无线通 信网络将面临有限频谱资源上异构网络与复杂无线信号动态共存的 问题