基于SOM神经网络的地下水灌溉水质综合评价

在分析影响灌溉用水水质因素的基础上,选择酸度、碱度和矿化度为评价因子,利用MATLAB仿真软件建立了自组织映射神经网络(SOM)模型,并将该模型应用于某灌区地下水水质综合评价.研究表明,SOM神经网络具有对输入模式保持拓扑结构不变的优点,在聚类过程中能直观反映不同类在竞争层二维平面的相对位置,能避免高维样本数据对评价结果的影响,保证评估结果的准确性和客观性,同时避免了大量的繁琐计算,使评价工作简单易行.     

自组织神经网络在文本分类中的应用研究

针对信息挖掘中的文本自动分类问题,提出了一种基于自组织特征映射网络的分类方法。网络由输入层和竞争层组成。输入层节点与竞争层节点实行全互连接。输入层完成分类样本的输入,竞争层提取输入样本所隐含的模式特征,并对其进行自组织,在竞争层将分类结果表现出来。分无监督和有监督两个阶段完成对网络的分类训练。该方法在特征提取时充分考虑了特征项在文档中的位置信息,构造出模糊特征向量,使自动分类原则更接近手工分类方法。以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性。     

基于SOM神经网络的国家技术创新能力分类

建立了国家技术创新能力评价指标体系,提出了在国家技术创新能力评价中应用基于自组织映射(SOM)神经网络的分类模型,对28个国家技术创新能力进行了分类和评价,通过分析得出了一些有价值的结论,同时验证了模型的有效性。     

高分辨率遥感影像城市绿地提取方法研究

以德国Vaihingen城区的高分辨率遥感影像为数据源,提出一种结合多尺度引导滤波特征与核主成分分析特征的提取方法,利用多尺度引导滤波提取不同尺度的绿地特征,通过具有非线性映射能力的核主成分分析算法,对多尺度特征进行降维,最后将降维后的特征输入支持向量机分类器,得到城市绿地的分类结果,并与现有的绿地提取方法进行对比分析。结果表明:该方法能充分利用空间邻域信息,获得比现有单尺度分析方法更高的分类精度,且明显减少传统像素级分类方法产生的结果细碎问题。     

核函数主成分分析在粮虫特征提取中的应用

针对储粮害虫种类多、类别之间区分度比较小的特点,提出基于核函数主成分分析(KPCA)的粮虫特征提取方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核函数主成分分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从类间可分性指数和粮虫分类效果2个方面,将KPCA法...     

森林土壤湿度的采集与数据处理研究

为了对森林土壤湿度采集点进行分类,利用SOM神经网络建立网络分类的数学模型,将十个采集点的数据通过神经网络的聚类分析,分成四类环境相近的区域,以便于森林植被的种植和管理。文章分析了采集器硬件电路,最后讨论了该种分类方法的优、缺点。     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

多元图论非线性映射分类及其在小麦研究中的应用

本文给出了一种将多元图论及非线性映射方法结合起来对样品进行分类研究的方法一多元图论非线性映射分类法,并应用此法探讨了41个小麦材料的最小支撑树及其在二维平面上的非线性映射分类图,与系统聚类法及主成分方法聚类相比,本方法有其特殊的优越性,能更直观形象而又比较准确地在二维平面上反映多维空间中小麦样品点的全部整体的亲疏关系,从而得到二维平面上直观的分类图。对遗传育种亲本选配研究有一定参考价值,对农业科学及其它领域的多元聚类问题都有参考意义。     

基于SOM神经网络的彩色牛乳体细胞图像分割

图像分割是进行图像处理的基础,也是图像识别和图像分析的基础性工作之一.本文在分析了SOM算法的基础上,首先利用各像素的RGB值作为输入样本对网络进行训练,然后采用训练好的SOM神经网络对牛乳体细胞彩色图像进行分割.实验表明,SOM神经网络应用于彩色牛乳体细胞图像的分割是一种有效的方法.     

基于因子分析与神经网络组合的害虫测报研究

害虫的发生是非线性动态系统,影响害虫发生的预测因子众多,且存在一定相关性,用神经网络进行预测时,不利于设计与计算。结合因子分析与神经网络的原理,建立基于因子分析与神经网络组合的害虫预测模型,通过因子分析对预测因子进行降维处理,然后将降维后的数据作为网络的输入,经训练后仿真输出预测结果。通过对山东郓城县二代棉铃虫预测的实例分析,证明新模型的预测精度没有降低,网络的收敛速度加快,预测值的误差减小。说明这一模型在农作物的病虫害预测方面有着广阔的应用前景。     

基于自组织特征映射神经网络算法的生态服务功能分区

探索了一种基于自组织特征映射神经网络算法识别区域尺度生态系统服务功能分区的新方法。在此基础上,依据新千年生态系统评估框架构建了生态服务功能评价指标体系,并运用自组织特征映射神经网络算法开展了生态服务功能空间聚类分析,在1km栅格上识别并排定了各类生态服务功能的重要性。在案例区锡林郭勒盟的研究表明,利用基于自组织特征映射神经网络算法划分出的该区6个生态服务功能分区比较科学、合理,所形成的分区结论为案例区生态系统的可持续管理提供有时空针对性的决策参考信息。     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现了对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

A Weed Species Spectral Detector Based on Neural Networks

A new neural network architecture for classification purposes is proposed. The Self-Organizing Map (SOM) neural network is used in a supervised way for a classification task. The neurons of the SOM become associated with local linear mappings (LLM). Error information obtained during training is used in a novel learning algorithm to train the classifier. The proposed method achieves fast convergence and good generalization. The classification method is then applied in a precision farming application, the classification of crops and different kinds of weeds by using spectral reflectance measurements. The classification performance of the proposed method is proven superior compared to other neural classifiers. Also, the proposed method compares favorably with the results obtained by using an optimal Bayesian classifier.     

基于等效椭圆和BP神经网络的马铃薯形状分类研究

根据国家马铃薯分级标准的要求,提出了一种基于区域的等效椭圆和BP神经网络相结合的马铃薯形状分类方法.首先运用等效椭圆来提取一组特征参数R和C,然后将这些特征参数输入到已训练好的BP神经网络完成对马铃薯的形状分类.结果表明:该方法选用的特征参数少,能较为有效的描述马铃薯的形状,分级结果准确率达94.7%,与人工分级的一致...     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于模糊聚类的神经网络虫情预测

1基于模糊聚类的神经网络预测 首先采用模糊聚类对所有样本进行预处理,再把去噪后的数据作为神经网络的输人数据进行训练和预测。 1．1基于模糊聚类的神经网络结构3层BP神经网络具有令人满意的对连续映射的逼近能力,可以满足预测的要求,因此,采用3层BP神经网络作为研究模型。3层BP神经网络由输入层、隐含层和输出层组成。     

应用SOM网络模型进行防火树种分类研究

应用SOM神经网络模型,以福建省37个针阔树种的叶子的含水率、粗脂肪、灰分、S iO2、挥发油含量、燃点、燃烧热及燃烧速度为分类因子,进行网络学习与仿真,结合过去的分类方法将37个树种分为5类,从而验证SOM网络模型在防火树种选择分类中的应用效果,以提供一种新的分类思路与方法。     

宝华玉兰生存群落的自组织特征映射网络排序与分类

为了解国家Ⅱ级保护植物宝华玉兰Magnolia zenii的种群分布规律及其濒危原因,进一步揭示宝华玉兰野生种群与群落及环境之间的生态关系,应用自组织特征映射网络（SOM）对宝华玉兰生存群落进行了排序和分类,以期为保护和管理宝华玉兰种群野生种质资源提供理论依据和新的方法。结果如下:①群落结构分析表明,宝华玉兰天然更新缺乏,且紫楠Phoebe sheareri,建始槭Acer henryi等优势种占据了主要生存空间与资源,影响了宝华玉兰种群增长和发展,使其在群落中处于不稳定地位;②SOM将40个样方进行聚类分析,得到7个群落类型。不同群落类型之间的物种组成存在差异,界限清晰,排序结果与优势种实际分布情况吻合,说明SOM的分类结果具有合理性;③环境因子可视化分析揭示了宝华玉兰分布于坡度较缓的半阳坡,种群分布主要受到坡向和坡度2个环境因子的影响,由于宝华玉兰自身生长过程中对环境要求的特殊性和不适应性,造成了其濒危现状;④SOM具有高度非线性拟合的特点,且能够同时进行排序和分类,并将分类结果可视化,呈现样方之间的相似性,说明SOM应用于群落分类和排序,反映种群与群落及环境之间的生态关系是合适的。     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治，以存在病虫害侵害问题的番茄植株图像为研究对象，针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络，用于精确定位图像中的病虫害目标，并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络，以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比，基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%，旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%；2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较，本研究的检测和分类方法也存在优势，病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之，本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络，有助于提升番茄病虫害的防治效果，对计算机视觉在农业领域的应用具有重要意义。