本文介绍了基于MSCNN-BiGRU-Attention深度学习模型的轴承故障诊断系统。系统使用江南大学采集的轴承数据集（采样频率50kHz，转速600/800/1000rpm），针对内圈、外圈、滚动体故障及正常状态进行诊断。数据集按转速分类，每个样本包含1024个数据点，采用7:3的训练测试比例。系统提供GUI界面，包含时域/频域分析功能，可计算均值、方差等统计指标。模型准确率通过混淆矩阵、t-

本文介绍了一种基于MSCNN-BiGRU-Attention深度学习模型的轴承故障诊断方法。实验采用CWRU轴承数据集，在四种工况下对十类轴承状态进行分类，并通过添加不同强度高斯白噪声验证模型的抗噪性能。项目包含数据处理、模型训练、可视化分析及GUI诊断界面等功能模块，实验结果显示模型在强噪声环境(-30dB)下仍保持较高诊断准确率。该方法为工业设备故障诊断提供了有效解决方案，尤其适用于噪声干扰严

本文介绍了一个水稻叶片病虫害数据集，包含白叶枯病、稻瘟病、褐斑病和東格魯桿狀病毒4种病害共5896张自然环境下拍摄的图片。数据集按病害类型分类存储，适用于目标检测任务，特别是YOLO模型的使用。该数据集可为农业病害识别研究提供数据支持，详细内容可关注文末参考链接。

本文介绍了一个基于深度学习的多模型光伏预测系统。系统采用SOLETE数据集，以1分钟间隔采集数据，采用前6行10列数据作为特征、第7行第10列作为标签的预测方式。实现了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM_transform五种模型，其中CNN-LSTM表现最优（MAE 16.07%，MSE 0.1367%，MAPE 39.57%），LSTM_transform次之。系统包

本文介绍了一个基于深度学习的微表情识别系统，支持图片、视频和摄像头三种识别方式。系统采用PyQt设计UI界面，能够识别7种常见表情（愤怒、厌恶、恐惧、快乐、中性、悲伤、惊讶）。项目包含详细中文注释的Python代码和7类表情数据集（总计约28,000张图片）。识别流程包括图像获取、人脸检测、预处理和表情分类四个关键步骤。开发环境为PyCharm+Python3.8，提供主程序、图片测试和摄像头测试

本文介绍了利用动态时间规整(DTW)技术预测航空发动机剩余使用寿命(RUL)的方法。基于NASA C-MAPSS数据集，通过Python实现数据处理流程：包括数据归一化、PCA降维、SVR平滑处理，以及DTW相似性计算。实验结果表明，该方法能有效预测发动机RUL，并通过RMSE、MAE等指标评估预测精度，最终输出预测结果和误差分析图表。相比深度学习，传统DTW方法在该任务中展现出良好性能。

本文介绍了一个基于MSCNN_LSTM_Attention模型的轴承故障诊断方法，使用Python和TensorFlow框架实现。模型针对江南大学轴承数据集进行训练和测试，数据集包含600/800/1000rpm三种转速下的内圈、外圈、滚动体故障及正常状态数据，每个转速下8000个样本按7:3划分训练测试集。文章提供了完整的可运行代码，要求TensorFlow≥2.4.0和Python≥3.6.0

摘要：本文基于ChineseCityParkingDataset数据集，构建了完整的停车场景车牌识别流程。首先导入必要库并展示样本图像及元数据（车牌号、边界框等），创建数据框后划分训练集、验证集和测试集。随后将数据适配YOLOv8框架，生成标签文件和配置文件。实验部分包括GPU缓存清理、训练结果分析（损失曲线绘制）以及最终识别效果展示，完整呈现了从数据处理到模型测试的全流程。

本文基于江南大学轴承数据集，采用小波变换和CNN方法进行故障诊断。数据集包含不同转速(600/800/1000rpm)下的内圈、外圈、滚动体故障及正常状态数据。实验以1024长度分割信号，每类选取125个样本(共500个)，通过连续小波变换生成二维图像。CNN模型在不同转速下的测试准确率分别为80.26%(600rpm)、89.65%(800rpm)和86.00%(1000rpm)。研究表明，受限

摘要：该研究基于357组电力变压器油中溶解气体数据（H2、CH4、C2H6、C2H4、C2H2），对7种故障类型（包括正常状态）进行标签标注。使用Python的pandas库读取Excel数据，通过建立故障类型映射字典（如正常=0，低能放电=1等），将文本型故障类别转换为数值编码。最终生成包含标签的新数据集并保存为Excel文件。完整数据、处理代码和标注结果已打包提供。该处理方法为后续变压器故障诊