黑大蜜蜂的学习与记忆研究

黑大蜜蜂是蜜蜂属的一个重要种,营露天生活,具有一定的迁徙特性。东、西方蜜蜂的学习与记忆研究一直被广泛地应用,而黑大蜜蜂的学习与记忆至今未见报道。用壬醛、正已醛2种气味运用PER模型来探究黑大蜜蜂的学习与记忆能力。结果显示,黑大蜜蜂能够很好地适应PER学习模型,它们的学习与记忆能力要高于东、西方蜜蜂的学习与记忆能力。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

如何培养后进生的高中数学学习兴趣

高中数学后进生的存在,是当前高中数学教师所面临的一大难题,也是提高高中数学教学效率的一大障碍。     

小班化教学合作学习策略的研究

现代教育理论认为,小班化教学能够保证教师对学生个体的关注度,并提高学生在课堂教学中的参与度,更有利于保证教学的有效性。同时,小班化教学优势的体现,还需要以保证学生主体参与作为前提条件。通过合作学习策略的有效运用,可以有效提高学生课堂教学中的参与度,调动学生的主观能动性,促进教学活动的有效开展。为充分发挥合作学习的积极作用,本文将针对小班化教学中合作学习应用的问题及实践策略展开探讨。     

采摘机器人自主采摘学习能力研究 —基于LM-BP神经网络

为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。     

多黎曼流形的判别分析与融合

为了得到低维且更具有判别性的流行表示,并进一步融合各种流行判别分析的结果,本研究提出了基于局部重构的黎曼流形判别分析统一框架,在动态纹理分类,物体识别和人脸识别任务中,验证了该框架的有效性。     

基于移动互联网环境的学习模式研究

在移动互联网时代下,手机已经渗透到大学生的日常生活学习中,与电脑网络一样成为大学生生活中不可缺少的一部分。如何将移动互联网与教学结合起来,让学生回归课堂,不再沉迷于手机。本文主要对移动互联网环境下的教学模式进行了探究。     

大学生网络词典使用情况及对其自主学习能力的影响

网络词典由于其查询速度快、词汇量大等优点,大学生普遍使用。网络词典本身也存在弊端,大学生作为具有自主能力的学习者,如果能在教师的指导下正确全面地使用网络词典,取其精华去其糟粕,将有效促进其自主学习能力的培养和提高。本文根据调查问卷结果及采访内容,总结大学生网络词典的使用情况,在此基础上提出教师如何引导大学生正确全面地使用网络词典,从而促进其自主学习能力的培养和提高。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。