基于多特征融合和LightGBM的金线莲品系识别

金线莲是中国珍稀中草药,不同品系的金线莲具有细微的形态差异和显著的药效差异.针对金线莲的单一特征贡献能力不足以及传统分类器泛化能力不佳的问题,提出使用形状、颜色和纹理特征对金线莲叶片图像进行特征提取与融合,再使用表现性能更优的LightGBM(轻量级梯度提升机)构建分类器,以提高金线莲识别正确率.LightGBM具有精确高效等优点,将提取得到的高层次特征导入LightGBM进行训练预测,可以有效提高分类准确性.对金线莲数据集中的6个品系共368幅叶片图像进行试验,结果表明,相比于传统的分类方法,基于多特征融合和LightGBM的模型识别效果最好,10次随机试验的平均识别率比传统方法KNN、SVM和GBDT高,并且在分类评价指标精确率、召回率、综合评价指标上有较优表现,该研究结果可为中药材品系识别提供参考.     

基于技术分析指标组合的程序化交易模型研究

程序化交易的兴起对技术分析方法的发展提供了新机遇，利用常见技术分析指标，建立基于指标组合的交易策略，并从统计分析角度讨论了交易策略的理论基础，最后通过实证分析验证了该策略的稳定表现和可观收益，以期为程序化交易模型研究提供新思路.     

基于GoogLeNet和无人机图像的水稻秧苗形态识别

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于神经网络的灌溉水入渗深度预测模型研究

以华南地区的3种土壤为材料进行喷灌试验,抽取表征土壤入渗性能的关键特征值,利用神经网络建立了土壤入渗类别识别模型,用试验数据回归建立了灌溉水在各类土壤中的入渗深度预测模型,并对模型进行室内试验验证.结果表明:土壤入渗类别识别模型能对2种检验土进行分类,入渗深度预测模型的预测深度与灌溉水实际入渗深度的误差不超过10%.     

基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。     

基于C－SVM的大米品种识别研究

提出了一种基于支持向量机(C-SVM)区分大米品种的方法。首先对大米图像进行阈值分割、平滑处理等预处理,并根据大米的粒型特点,提取米粒的面积、周长等6个形态特征。利用Orange Canvas数据挖掘软件先对linear和RBF核函数进行核参数选择,并在Opencv 3.0环境下,编程实现K-means、linear和RBF的3种大米品种识别方法,对10组混合大米图像进行品种测试。试验结果表明,支持向量机线性核函数对大米品种识别具有较高的预测稳定性,识别分类准确率约为99%。     

含蜡原油触变性测试方法

现有触变性测试方法(加载方式)包括恒剪切率、剪切率阶跃、控制剪切率滞回环、剪应力阶跃以及控制剪应力滞回环等。利用这些方法对同一条件下含蜡原油的触变性进行测试,并利用Houska触变模型和双结构参数触变模型进行拟合。利用一种方法测试数据拟合出的触变参数对其他测试方法加载条件下的应力进行预测,依据预测结果与实测值的吻合程度,对测试方法进行评价。结果表明:无论采用何种测试方法,利用剪切率高的加载条件得到的实验数据拟合的触变参数,均可成功地对较低剪切率加载条件下的应力进行预测,反之则会出现结构参数为负值进而导致预测失败的情况;利用同一测试方法的多组实验数据共同拟合触变参数,可以提高对其他加载方式下应力的预测值与实测值的吻合程度。     

东北地区蒲公英属植物核心形态指标筛选

采用形态学观察法,筛选东北地区8种蒲公英(Taraxacum)核心形态指标。结果表明:从花部和瘦果特征中选出12个最具稳定性和分类学意义的形态指标,包括花色、外层总苞片被毛情况、瘦果表面纹饰等,如瘦果周身具刺或仅上部具刺,并依据植物志分类要点进行验证。核心指标为种质分类提供简便快速的识别方式,可作为分类辅助依据,为蒲公英属植物分类鉴定提供理论基础。     

基于计算机视觉的库尔勒香梨脱萼果识别研究

[目的]针对库尔勒香梨的图像,对香梨脱萼果和宿萼果进行分类及识别研究。[方法]利用Matlab软件进行图像数据获取、灰度化、中值滤波,利用动态阀值分割二值化图像;为弥补二值化后图像中出现的孔洞,基于数学形态学算子填充孔洞。设计神经网络参数,然后利用试验样本对BP神经网络进行训练和测试。[结果]所提出的方法能够获得很高的正确识别率,能够有效地将脱萼果识别出来。[结论]用BP神经网络来分类识别香梨脱萼果可以达到较好的效果。     

人工神经网络对果蝇鸣声的分类识别

为了利用昆虫鸣声对昆虫进行种间或种下分类,对实验室环境下同种2个不同品系黑腹果蝇的飞行翅振鸣声进行了采集、分析,提取鸣声信号特征参数,并利用人工神经网络对采集的果蝇鸣声信号进行分类识别。结果表明,2个品系果蝇鸣声的基频均为236.86 Hz,有多个谐频,频率范围为0~4000 Hz,重叠较大;所建立的人工神经网络对种内不同品系果蝇鸣声的正确识别率均在75%以上,识别效果很好。研究结果为果蝇种下分类提供了新的方法和依据。     

基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

基于应变能和隶属度的结构损伤识别研究

为了解决测量噪声等引起的损伤识别结果不确定问题,提出了一种基于模态应变能和隶属度的损伤识别方法.首先描述了云模型的基本理论及其数字特征;然后给出了基于模态应变能的计算公式及其损伤指标,即模态应变能耗散率指标和模态应变能等效指标,并将两种指标作为云模型的相关参数;最后对逆向云发生器和云模型数字特征估计值进行了分析,并基于隶属度函数等量优化原则提出了一种应变能隶属云损伤识别方法,并利用了Udwadia方法来模拟产生随机试验测量数据,采用了多次测量产生的不确定数据进行了损伤识别研究.数值算例结果表明,提出的应变能隶属云方法可以较好地处理测量噪声引起的不确定问题,其对含噪数据的识别结果明显优于单纯的模态应变能耗散率指标和模态应变能等效指标.     

基于宋健人口模型的老年化预测

以微分方程为理论基础,综合运用机理分析、参数辨识和统计学的一般原理对中国人口老年化趋势进行合理预测。首先利用统计数据对人口相关参数进行确定,通过引入宋健人口模型对未来中国老年化趋势进行预测,预计2015年全国老年人口比重将会达到11.7%。     

小盾片几何形态特征在10种鳃金龟分类中的应用

为探讨小盾片几何形态特征对金龟子分类鉴定的可行性和可靠性,以金龟子小盾片的几何形态测量特征为依据,对10种鳃金龟进行分类识别,利用TpsDig2软件在10种金龟子各20个样本的小盾片上,分别提取8个标记点,再利用PAST软件进行普氏叠加和薄板样条分析,消除大小、方向等非形状因素的影响后,得到小盾片8标记点形状的扭曲图像,最后利用SPSS 22.0进行判别分析。结果表明:对10种鳃金龟小盾片8个标记点坐标数据进行普氏叠加和薄板样条分析后,得到标记点位置折线图和扭曲图像,可直观看出10种鳃金龟小盾片形态差异主要发生在标记点2和6处;利用小盾片8个标记点坐标数据形成的几何形态特征进行判别分析,原始判别和交叉判别正确率均高达99.0%。因此,利用小盾片的几何形态特征可以对10种鳃金龟进行准确识别。     

基于卷积神经网络的绝缘子目标识别方法研究

为了实现复杂背景下绝缘子的快速、准确识别,提出了基于卷积神经网络的绝缘子目标识别方法。该方法通过公开数据集ImageNet预训练VGGNet,并将VGGNet作为特征提取网络,预训练后用其参数初始化Faster R-CNN,通过绝缘子数据集再训练,最终用来识别绝缘子目标。此外,为了探究不同卷积网络和不同算法对试验结果的影响,除上述VGGNet和Faster R-CNN以外,还使用了AlexNet和Fast R-CNN来进行对比试验,即对比Fast R-CNN+VGGNet、Faster R-CNN+VGGNet、Faster R-CNN+AlexNet这3种网络。测试结果表明:在使用相同特征网络VGGNet时,Faster R-CNN的各项测试指标均优于Fast R-CNN,在使用相同算法Faster R-CNN时,VGGNet网络的检测指标较为理想,但识别速度稍慢于AlexNet网络。3种网络都能够达到绝缘子目标识别的目的,精确度依次为87.23%、96.66%、93.34%,召回率依次为59.42%、84.06%、49.28%,平均识别时间依次为8.48,2.70,1.40s。观察试验可知,相比其他两种算法Faster R-CNN+VGGNet检测结果较为理想,其精确度分别高出9.43%和3.32%,召回率分别高出24.64%和34.78%,说明该方法可对复杂背景下的绝缘子进行有效识别。     

基于随机森林算法的多作物同步识别

作物类型遥感识别是农业遥感的重要组成部分,为获取作物种植面积、长势信息并进行产量估算提供了手段。目前,对玉米、水稻和小麦等大宗农作物进行单一识别或两类间分类识别的技术研究较多,对研究区多种农作物同步分类识别的研究较少。本研究基于随机森林分类器利用Landsat 8数据开展宁夏农作物分类,对八种主要农作物春小麦、玉米、水稻、苜蓿、蔬菜、葡萄、枸杞和瓜类进行同步分类试验。结果表明:随机森林方法可以满足研究区内多类作物同步监测的需求,精度可达80%以上。单时相分类精度可达到81.8%,后分类处理精度可达到82.8%,时间序列分类精度可达到85.1%,时间序列分类和后分类处理可以有效提高分类精度。随机森林分类精度随着树数量的增加而增大,当树的数量足够多时,模型趋于稳定,特征变量对精度的影响被控制在一定范围内,当特征变量设置为总特征变量的平方根或对数时,精度达到最佳。因此,基于对分类实验时效性的考虑,将参数分别设置为Ntree=100,Mtry=总特征变量的平方根或对数。     

BP神经网络在农业植物分类识别中的应用

本文尝试利用BP算法对中国农业植物的56科进行分类识别的训练，其训练结果在精度范围内平均准确率达到90％，实现了科级上的植物分类的快速识别的目的，为植物分类识别工作的智能化提供了又一种思路。     

基于中巴资源卫星数据的水稻种植面积监测——以梁平县为例

以Landsat TM影像数据为参照标准, 中巴卫星CBRES CCD影像为基础数据, 并结合土地利用现状图与实地考查资料, 综合应用了RS和GIS技术手段, 对重庆市梁平县进行地物分类和水稻种植面积提取, 获得的研究区水稻种植信息与TM数据提取的结果相比较, 精度达到92.37%. 通过试验研究得到以下初步结论: (1) 利用CBRES-02 CCD数据提取研究区的水稻种植面积可以得到比较满意的效果. (2) 水稻识别精度受到海拔高度与地形因素的影响, 海拔越低, 地势越平坦, 水稻分布越集中, 水稻识别精度越高; 海拔越高, 地形条件越复杂, 地块越破碎, 水稻识别的精度越低.     

基于归一化植被指数对荒漠化草原地面高光谱影像中植被的识别

草原植被的分布与面积是草原退化评定的重要指标。以荒漠化草原植被为研究对象,在内蒙古四子王旗试验区域自然光下采植被的高光谱数据,通过构建植被光谱特征指标阈值对植被覆盖地区与非植被覆盖地区进行识别和分类,为低空高光谱遥感进行大面积的识别及数量统计提供依据,为高效,适时的草原监测和退化评价提供理论和技术手段。选择具有代表性归一化植被指数NDVI分析数据规律。结果表明:荒漠化草原阈值区间为0.01~0.9,其中植被阈值区间为0.4~0.9,非植被阈值区间为0.01~0.4,当NDVI阈值取0.4时对有无植被覆盖分类明显,经Kappa系数验证精度达96.2%。高精度的植被识别为后续无人机高光谱遥感提供数据数据支持及理论基础。