以网络分析工具进行T-Shirt消费者偏好之研究

以网络二维式尺度分析工具对15件绘制动物图案的T-Shirt产品的消费者偏好进行调查,有效受测人数为49名,再对15件T-Shirt产品的图案造型风格与营销定位给予研究。透过网络分析工具调查之坐标值数据进行后续的量化研究,得到"缤纷动物艺术风格"明显的为一般消费者所偏好,而S11以女性消费者的接受度为较高。在产品推广方面可配合户外活动之置入性营销来刺激买气,增加T-Shirt产品的曝光机会,进而带动业绩的成长。

一种用电设备分析识别原理与应用

非侵入式负荷监测(NILM)与识别是智能电网建设的重要方面。针对非侵入式用电负荷监测技术提出了一种基于V-I轨迹与奇次谐波分量特征的混合特征矩阵和卷积神经网络相结合的方法。具体内容为:分析用电设备的基本特征,包括输入电流稳态特征和暂态特征。建立了六种单相交流电源供电的用电设备MATLAB/Simulink仿真电路,分别为电阻加热器、电吹风、LED灯串、电源适配器、变频空调和变频冰箱,作为待分析识别的用电设备,并提取了这六种负荷模型的网侧电流波形和频谱、V-I轨迹以及奇次谐波电流分量数据作为基本特征量;提出了一种采用V-I轨迹与奇次谐波特征的混合特征矩阵以及卷积神经网络(CNN)进行用电设备分析识别,经过PLAID数据集的训练和测试,能够有效识别稳态运行下的用电设备,给出了详细的解算过程,并提供了应用算例。此外,对比分析了已有三种检测方法,验证本文提出的基于混合特征矩阵以及卷积神经网络用电设备分析识别方法的优越性。

结合Bi-2DPCA与CNN的美式手语识别

针对现有美式手语(ASL)识别算法准确率低和模型训练时间长的问题,提出一种结合双向二维主成分分析(Bi-2DPCA)与卷积神经网络(CNN)并基于贝叶斯优化的识别算法。利用Bi-2DPCA算法对原始图像做数据降维处理,提取行、列方向的特征图,使用卷积神经网络对特征图进行训练分类,同时采用贝叶斯优化算法对模型超参数进行自动调参。在24分类ASL数据集上的实验结果表明,该算法的识别准确率达到99.15%,训练时间相比传统CNN算法减少90.3%。