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。

摘要：本文基于CWRU轴承实验数据，提出了一种融合连续小波变换尺度图(CWTS)与深度卷积网络(DCNN)的故障诊断方法。实验采用SKF6203轴承在不同负载(0-3HP)下的振动数据，通过电火花加工制造不同尺寸故障。针对传统方法的局限性，利用连续小波变换生成包含完整时频特征的CWTS图像，并融合驱动端(DE)和风扇端(FE)的双通道信息。构建二维DCNN网络，与DNN和KNN方法对比实验表明，D

本文介绍了一个基于卷积神经网络(CNN)的车牌识别系统。系统采用级联分类器检测车牌位置，通过图像处理分割字符，最后使用CNN模型识别字符。流程包括车牌检测、字符分割和字符识别三个阶段，使用了OpenCV、TensorFlow等技术。实验表明，当训练轮次(EPOCH)达到80时，模型准确率可达99.95%。该系统完整实现了从车牌定位到字符识别的全过程，为智能交通系统提供了有效的技术方案。

本文介绍了一种基于时间序列生成对抗网络（TimeGAN）的薪资数据扩增方法。针对工作经验年限与薪资的小样本数据集（30条记录），采用TimeGAN模型进行数据生成。该模型结合了监督损失和无监督对抗损失，通过嵌入网络降低学习空间维度，有效捕捉时间序列数据的条件分布。实验结果表明，扩增数据与原始数据具有相似的概率分布。运行环境要求包括numpy 1.19.2、pandas 1.2.0、scikit-l

本文介绍了一种基于EEMD-LSTM的时序数据预测方法。该方法首先使用EEMD将溶解氧等水质参数时序数据分解为多个本征模态函数(IMFs)，然后对每个IMF分量建立LSTM预测模型，最后通过加权平均得到最终预测结果。实验表明，该方法能有效预测未来溶解氧含量，当训练epoch设为100时预测效果更佳。文中详细描述了数据预处理、模型构建、异常检测等关键步骤，并提供了预测结果可视化展示。该模型适用于各类

该研究复现了基于VGG16迁移学习的轴承故障诊断方法，通过对比实验验证了其优越性。项目提供可直接运行的Python代码（TensorFlow≥2.4.0）及完整数据集，包含0HP-3HP四个负载条件下的实验数据。核心程序包括：生成特征图片的creat_picture.py、VGG16迁移学习模型（使用预训练参数）和普通CNN对比模型。实验结果显示，在十次迭代条件下，VGG16模型在不同负载测试中表

1.效果图。

本文介绍了基于美国交通流量数据的三种深度学习预测模型(CNN-GRU、CNN-BiGRU-Attention、LSTM)的实现与对比。使用2018年9月至10月采集的15条道路、12096条15分钟间隔的单向交通流量数据，采用历史6个时间点数据预测下个时间点流量的实用方法。提供了可直接运行的Python代码及数据，包含三种模型的测试结果对比和真实值可视化(plt.py)。特别说明特征标签的合理选择

本文基于西安交大转子数据集，提出了一种基于RCNN的轴承剩余寿命预测方法。首先对轴承振动信号进行归一化和滑窗处理，构建训练和测试数据集。然后设计了一个包含4层RCL(循环卷积层)的神经网络模型，每层后接最大池化和Dropout层，最后通过全连接层输出预测结果。实验采用Adam优化器和均方误差损失函数，经过3轮训练后，模型在验证集上取得了较好的预测效果。该方法通过结合循环神经网络和卷积神经网络的优势

本文研究了水质数据中溶解氧（DissolvedOxygen）的异常检测问题，比较了四种异常检测模型：iForest、LocalOutlierFactor、OneClassSVM和DBSCAN。通过Python实现，各算法首先读取水质数据集并提取溶解氧数据，然后分别进行异常检测。iForest通过隔离机制识别异常，LocalOutlierFactor基于局部密度，OneClassSVM采用支持向量机