基于Keras模型的深度学习实验教学研究

深度学习模型正在各行各业中发挥着重要作用,为了便于学生快速获得深度学习框架的上手经验,以增加他们的信心和学习兴趣,开发了该教学实验。教学实验的主要内容是指导同学们利用Flask轻量级的Web应用框架以及Keras人工神经网络库在两节课时间内运行一个基于深度学习的网页端应用。由于安装环境以及框架较容易使用与理解,学生们短时间内完成一个深度学习项目,能让学生看到这个深度学习项目的可视化结果并且有了上手的体验,完成该实验后基于该项目展开深度学习课程的讲解,非常适用于高校基于深度学习综合设计课程的开展。

基于改进Keras模型的路面附着系数估计

路面附着系数是车-路相互作用中最为关键的参数之一,它的精确获取也是车辆主动安全控制系统正常工作的前提和基础,为此提出一种基于改进Keras模型的路面附着系数估计方法。对车辆进行动力学分析,找出与路面附着系数相关的动力学参数作为神经网络模型的输入量;通过各种工况的仿真试验建立数据集;以Keras模型为基础,结合限幅递推平均滤波算法、K折验证、Dropout正则化与Sarsa强化学习,提出改进Keras模型的路面附着系数估计器。滤波算法用于除去神经网络模型输入量的噪声,K折验证用于扩大样本空间,Dropout正则化可以降低模型的过拟合现象,提高模型泛化能力,Sarsa强化学习可以改善路面附着系数预测量超过边界的问题。最后,通过仿真验证表明所设计的估计器在路面附着系数估计中的有效性与可靠性,提出的方法相比原Keras模型平均绝对误差降低了73%,均方根误差降低了58%。

基于IRI的卫星高度计电离层Keras神经网络模型研究

基于IRI-2016数据,通过深度学习建立了电离层Keras神经网络模型。经测试,Keras神经网络模型与IRI-2016模型具有同等精度。将Keras神经网络模型应用于Jason-2卫星高度计的电离层电子含量观测,对Jason-2双频观测值进行多项式拟合并与Keras模型值进行比对,结果表明:二者平均电子含量均方根误差为4.46 TECU;平均相关系数为0.75;将总电子含量的均方根差值换算成Ku波段的传输延迟值为8.5 mm,对于测高精度在厘米级别的卫星高度计,该误差在可接受范围内。电离层Keras神经网络模型可以扩展IRI模型的使用范围,方便快捷,也有效地避免了IRI复杂繁琐的分层积分算法。该模型可应用于单频卫星高度计的电离层延迟误差校正。

利用Keras高级神经网络实现商品销量的预测

随着网络的普及和发展,电商逐渐融入我们的生活,而店铺之间的竞争也日趋激烈。如何为客户提供更加及时、便利的服务,抢占市场先机成为各大商店极为重视的问题。因此,本文的研究课题主要通过使用高级神经网络模型(Keras),预测商店商品销量并构建模型。基于高级神经网络模型自身的缺点,我们对其进行了一些改进,使误差减小,预测的准确度提高,模型的性能得到了进一步的提升。同时为了得到更准确的分析结果,我们对其进行了可视化处理。由此,我们得到了一个较为准确的商店商品销量预测模型。

采用树莓派4B识别新疆苹果品种的人工智能案例

介绍在树莓派4B开发板上使用经新疆苹果品种数据集训练的Keras模型实时识别苹果的过程。采用卷积神经网络理论,将新疆苹果品种数据集在MobileNetV2网络模型上深度学习训练得到模型文件,并运行在铺设了TensorFlow框架和OpenCV计算机视觉库的树莓派开发板上,树莓派4B通过调用摄像头实时识别新疆苹果品种。着重介绍树莓派4B的环境搭建和实时识别过程,为Keras模型和嵌入式计算机——树莓派相结合提供探究角度,促进人工智能在硬件方面的实践与应用。