基于时延神经网络的木材干燥温湿度建模研究

利用神经网络建立了木材干燥的温湿度模型,给出了其时延神经网络辨识结构。分别提出温、湿度控制模型(控制信号与温、湿度之间的关系模型)和木材干燥基准模型(温、湿度与木材含水率之间的关系模型),并利用实验干燥窑得到的实际数据进行了仿真研究。仿真结果表明,利用此方法建模是可行的,所建模型是有效的。图10参16。     

基于时延神经网络的木材干燥模型辨识的研究

木材干燥是一个复杂、多变的过程，传统的系统辨识方法很难建立一个理想的木材干燥模型。利用时延神经网络的特点，本文提出了基于时延神经网络的木材干燥模型辨识方法，并给出了辨识网络和结构。对辨识得到模型的仿真结果表明，利用时延神经网络所建立的模型是可靠且有效的。     

3种沙漠植物地上部分形结构与生物量的自相似性

应用自相似原理,分别研究极干旱地区塔克拉玛干腹地和吐鲁番盆地地下水浇灌区柽柳、梭梭和沙拐枣植株的地上分形结构与各自地上部生物量的关系.通过分析3种植物的枝长、冠幅和体积与地上部生物量之间的统计自相似性,发现在统计拟合精度上自相似模型不如BP神经网络模型,但分析植株生长的地域性差异时,缺少像分形维数这样的定量化描述.     

马尾松毛虫有虫面积预测模型的研究

运用人工神经网络的原理和方法 ,根据相关系数法选取与台州市 7个县 (市、区 )马尾松毛虫有虫面积相关关系都比较密切的 14个气象因子 ,然后进行主成分分析 ,在此基础上 ,将前 6个主成分的主坐标值作为样本的输入特征 ,建立以 7个县 (市、区 )马尾松毛虫有虫面积为期望输出的BP网络预测模型 ,结果表明 :所建立的BP模型 ,具有令人满意的拟合精度和预测精度。当隐含层神经元个数为 4个时 ,7个县 (市、区 ) 3组预留有虫面积 3a预测结果的卡方检验为 :η=7.2 92 0 相似文献   

基于人工神经网络的森林资源预测研究

应用人工神经网络方法分别建立土地资源预测、森林蓄积量预测、各龄组蓄积量预测三层前馈反向传播神经网络模型对森林资源进行预测模拟.预测结果表明在小样本条件下,森林资源预测神经网络模型预测精度较高,开辟了森林资源预测新途径.     

基于动态递归神经网络的木材干燥模型辨识

木材干燥是一个复杂的非线性系统 ,由于木材结构复杂且具有多样性和变异性 ,因此要建立一个理想的符合木材干燥过程的模型是很困难。本文利用动态递归神经网络的特点 ,提出了基于动态递归神经网络的木材干燥模型辨识方法 ,给出了动态递归状态 -输出神经网络的结构和学习算法。并通过对辨识得到的模型的仿真结果 ,表明了本文所建立的模型是有效的     

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点...     

基于BiLSTM-GRU融合网络的稻虾养殖溶解氧含量预测

在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.275 9 mg/L、0.616 0 mg/L和0.954 7,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。     

基于脸部RGB-D图像的牛只个体识别方法

为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。     

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像.试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2％;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优.