基于改进LSTM算法的雾霾天气预测

随着科技的发展与时代的进步,能源消耗加剧,人们的环保意识逐渐减弱,城市污染日益严重。在综合国力飞速前进的同时,许多环境问题接踵而至。其中最具代表性的就是城市雾霾问题,雾霾是一种危害人体健康的物质,它会危害人体呼吸道从而导致多种呼吸道疾病。因此,治霾防霾就显得尤为重要,这是一个任重而道远的过程,当下并没有较为有效的方法来彻底解决雾霾污染问题。因此本文提出了BP神经网络和以深度学习为基础的长短时记忆网络来预测雾霾天气情况,并且对模型做出了优化,使其能够更加有效准确地预测。通过引入各项具有时间序列特性的数据,例如大气污染物、不同空间地理上检测出的影响因子要素和气象因素等,经过LSTM模型的运算整合,形成波形图直观的显示出未来一段时间内的雾霾天气情况。

基于DCGAN网络算法的华人人脸生成

近些年来,随着深度学习算法的进一步发展,卷积神经网络进行监督学习在计算机视觉应用上取得了巨大的突破。然而在无监督学习方面,卷积神经网络的关注度并不高。本文将深度卷积增加到无监督学习的生成对抗网络上,用来生成华人人脸。生成对抗网络,一方面可以减少复杂的计算,另一方面生成的图像质量也比较理想。通过使用一万五千张的华人人脸数据集,本文最终生成了具有多样性的华人人脸照片,并且最终的判别器损失函数在0.695上下浮动,生成器损失函数在0.74上下浮动。

基于循环生成对抗网络的图像转换

在无监督学习领域中生成对抗网络是近几年发展速度较快的一个研究方向,其主要特征是用一种概率估计的方式去逼近未知分布的模型。运用这种模型可以避免复杂的运算和编码,特别是在计算机视觉方面,可以生成质量较好的图片。本文基于循环生成对抗网络,训练一个风格迁移的神经网络,通过输入一张采样图片转化为输出一张与采样图片不同风格的图片。为防止生成器学习到具有欺骗性的虚假数据,本文采用加入一个新的生成器,把第一个生成器的输出当作输入再次使用,使生成器的输出和原图具有较高的相似性,同时不丢失原图片的特征并且确保输出一个和原始输入相似的图片。实验仿真数据集选取真实校园作为场景,在训练初期并不能较好的还原回原始图片,这意味着生成器使用了虚假的输出结果,当训练次数达到10,000次以上,结果显示可以较好的还原回原始图片,证明第一个生成器的输出保留了大量原始图片特征,输出结果较为可靠。