基于卷积神经网络的蜜蜂采集花粉 行为的识别方法

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。     

基于多列空洞卷积神经网络的麦穗计数方法研究

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数.试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空洞卷积神经网络CSRNet,并对MCNN和CSRNet进行融合,建立了多列卷积神经网络MCSRNet.测试结果表明:MCSRNet网络对麦穗的预测准确率可以达到92.4％,较MC-NN和CSRNet分别提高1.0％和4.0％,且训练迭代次数分别减少39次和5次.另基于独立数据集进行了测试,MCSRNet网络平均准确率为81.9％,较MCNN和CSRNet分别提高了0.4％和0.7％.MCSRNet的麦穗计数结果R2为0.80,优于MCNN和CSRNet.以上研究结果表明,MCSRNet网络有较高的麦穗计数准确率,同时有较快的训练速度,可为后续基于图像的小麦产量预测提供技术方法.     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

基于氨基酸分子中侧链基极性性质的DNA序列分类(英文)

从DNA序列片段个案中密码子分布密度角度出发,提取出DNA序列片段的特征,基于氨基酸分子中侧链基极性性质把氨基酸分成5大类,计算5大类出现的频率,这种考虑生物意义的特征提取方法不仅考虑碱基的含量,还在一定程度上考虑碱基的排列顺序,应用层次聚类分析方法和BP神经网络法对DNA序列片段进行分类。结果表明,2类算法分类结果精度较高,且一致性也较高。说明这种特征提取法比传统的单纯考虑碱基的特征提取法效果更优。     

基于神经网络的东南太平洋茎柔鱼渔场预报模型的建立及解释

东南太平洋秘鲁茎柔鱼(Dosidicus gigas)是我国鱿钓船的重要捕捞对象。准确预报中心渔场是提高渔业生产能力的重要内容。本文根据2006~2009年我国远洋船队东南太平洋秘鲁茎柔鱼生产统计数据(月份、经度、纬度)及遥感获得的表温、Nio 3.4区海表温度异常、海面高度资料,利用反向传播(EBP)神经网络建立秘鲁茎柔鱼中心渔场预报模型。在此基础上,尝试使用神经网络解释图(neural interpretation diagram)、自变量相关(independent variable relevance)、灵敏度分析(sensitivity analyses)三种方法解释EBP模型权重,推断东南太平洋茎柔鱼中心渔场形成的主要影响因子。结果认为,影响中心渔场的3个主要影响因子为Nio 3.4区海表温度异常、表温和纬度,其贡献率分别为28.95%、22.1%和19.68%。利用EBP神经网络建立的预报模型不仅在预报精度上达到要求,而且能够很好地解释秘鲁茎柔鱼中心渔场的形成机制。     

时滞recurrent神经网络模型的全局渐近稳定性

讨论了时滞recurrent神经网络模型的全局渐近稳定性,通过构造适当的Lyapuov函数,利用线性矩阵不等式,给出了一类常时滞recurrent神经网络的新的充分条件,所获的稳定性条件是时滞相关的,稳定性判别条件更宽松.最后通过一个实例说明方法的可行性.     

日光温室内作物干物质积累预测新方法研究

介绍了一种有效结合神经网络和作物生长模型预测目光温室内作物干物质积累的方法，该方法既解决了经验模型的解释性和广适性差的缺点，又解决了机理模型难以理解和使用、输入多而输出欠稳定的不足。以有效光照积累和有效积温作为输入参数，以作物的干物质积累作为输出参数建立神经网络，利用大量实测数据对神经网络结构进行训练，建立作物干物质积累与有效光照累积和有效积温之间的关系，从而对干物质积累进行预测。并以目光温室内黄瓜为例，采用此方法对其进行干物质积累的预测，与实际测量结果相比较，误差率不超过10％。     

应用遥感、人工神经网络叶面积模型和模拟过程模型估计湿地松人工林碳储量

全球气候变化引起人们对森林碳固定作用的关注。碳存储速率依赖于生态系统流通量(光合作用和生态系统呼吸),量化为净生态系统二氧化碳交换。在没有密集采样点的情况下,我们需要采用估测森林净生态系统交换的方法准确地估计林分水平和更大尺度的碳固定量。本文通过祸合遥感估算的叶面积指数和生长过程拟合模型,估计了佛罗里达州内9 770公顷湿地松人工林一年里净生态系统交换总量。地面图神经网络模型和陆地卫星数据估计的森林叶面积指数平均值是1.06(数值范围0-3.93,包括森林边界)。输入神经网络叶面积指数值,湿地松拟合模型(SPM2)估计的森林净生态交换值在-5.52 Mg·hm-2·a-1到11.06Mg·hm-2·a-1之间,平均值是3.47 Mg·hm-2·a-1。年总的碳储量是33920t,约合3.5 t/hm2。估计的叶面积指数和森林净生态交换均对对施肥高度敏感。图3表1参30。     

基于神经网络和颜色特征对木材进行分级的分析

为了解决木材的分级问题，提出了利用神经网络和木材表面颜色特征对木材进行分级的方法。利用竞争神经网络对114种不同树种进行粗分，然后再用BP神经网络算法对此进行验证，又对四种木材进行分类验证。从计算机分类分级仿真效果上看，达到了预期的目的。