一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

落叶松木材干燥的BP神经网络模型研究

以落叶松木材为研究对象,实验在东北林业大学干燥实验室进行,采用MATLAB中log-sigmoid型函数(logsig)和线性函数(purelin)为神经元的作用函数,用落叶松木材的干燥温度、湿度、循环风速及平衡含水率作为输入变量,以木材含水率作为输出变量,构建了4∶S∶1的木材干燥的BP人工神经网络模型。用120组数据对网络模型进行训练及检验,得最适宜的网络结构为4∶10∶1,均方误差函数mse=0.001 7,总体拟合精度为96.86%。该模型能够运用到相同条件下的其他树种的木材干燥。     

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。     

基于云计算平台的智能预测模型研究

本文针对不同用户对鲜切花价格预测数据的需求,提出了一个基于云计算平台的智能预测模型。通过对BP神经网络算法进行改进,建立鲜切花智能预测模型,利用云服务创建服务接口,在云服务中实现数据信息共享。分析结果显示:该平台具有实用性,在云计算平台上获取了低成本、高质量的数据。     

基于BP神经网络的太阳辐射预测——以兰州市为例

采用常规气象观测资料建立了兰州市太阳总辐射BP神经网络预测模型,利用神经网络释义图和连接权法剔除了模型中的冗余变量,用优化的BP网络模型预测了兰州市1996-2000年的太阳辐射,并用实测数据验证了该模型。结果表明:该方法增加了模型的透明度,提高了模型的可靠性和鲁棒性,模拟结果与实测值非常吻合,模拟值的各项误差指标值均很小,模拟值与实测值的拟合优度R2达到0.987,通过与其他经验模型的模拟结果进行对比,优化的BP网络模型的模拟效果最好,精度明显高于其它经验模型。因此,对于无太阳辐射观测的地区,优化后的BP网络模型是预测当地太阳辐射的一种有效方法。     

基于LSTM的活立木茎干水分缺失数据填补方法

【目的】研究植物茎体水分数据,针对相同数据段上的缺失数据,对比不同数据填补方法,验证LSTM模型填补茎干水分数据的有效性及准确性。【方法】选取2017年6月份栽种在北京市海淀区的紫薇树茎体水分完整数据,人工删去部分数据作为缺失数据,分别使用插值方法、RNN神经网络、LSTM神经网络对缺失部分进行填补,填补结果与原始数据比对并分析结果。基于神经网络预测值误差随预测时刻推后而增大的误差分布情况,本文提出了在神经网络预测值基础上加入对数据后期处理的方法:从缺失数据的正向和反向进行预测,将2个方向的预测值各自乘以一组按照预测时刻递减的权重值并相加,结合2个预测方向的优势,进一步提高预测准确度。【结果】3种方法中,RNN与LSTM神经网络方法较传统的插值方法优势明显:插值方法准确度在缺失值增多时迅速下降;神经网络方法下降速度较慢。当填补值与真实值误差在2%以内作为准确时,插值方法的填补准确率不足50%,RNN方法达到50%且不足60%,LSTM方法达到80%以上;当填补值与真实值误差在4%以内作为准确时,插值方法填补准确率为60%,RNN方法准确度最高达到90%,LSTM方法准确率在95%以上。在此基础上加入权重处理,对LSTM预测结果处理后误差在2%以内准确率达到97%,误差在3%以内准确率达到100%。选取一组测试数据代入模型,预测结果比训练数据预测结果精度有所下降,但双向预测方式优势更加明显。【结论】采用基于LSTM模型的双向综合预测法,可显著减小长期预测中的累计误差对预测结果的影响,提升了预测数据的准确度。与其他两类数据填补方法相比,基于LSTM神经网络的数据填补方法在长期缺失的时间序列数据填补上有较大优势。     

样条权函数神经网络在机械手逆运动学中的应用

针对传统神经网络算法中存在的缺陷,提出了一种样条权函数神经网络,并将其应用于机械手的逆运动学求解中。该类型的神经网络结构简单,训练得到的权值是由三次样条函数组成,而非传统神经网络的常数,通过求解线性方程组得到三次样条函数的表达式。所以本算法不存在局部极小、收敛慢等缺点,仿真证明该算法具有较高的精度。     

智能轨迹控制割草机器人设计——基于FPGA神经网络

为了提高割草机器人自主导航和定位的精确性和智能性,设计了一种新型的基于FPGA神经网络算法的割草机器人。该设计采用FPGA可重构技术,以3层误差反向传播神经网络作为典型的模型来展开;利用成熟的BP算法公式,设计了割草机器人智能控制的模型;利用FPGA技术,设计了割草机器人的硬件系统;最后采用文本输入的设计方法,利用田间试验的方式,对机器人的轨迹规划能力和控制精度进行了验证。试验结果表明:利用FPGA和神经网络模型可以有效地穿越5个障碍物,并可得到满意的轨迹规划结果。将普通的PID控制器和神经网络PID控制器得到的控制结果误差进行了对比,结果表明:神经网络PID控制器得到的割草机器人控制误差明显比传统的PID控制器误差小。该方法为神经网络的硬件实现提供了可靠的理论基础。     

农业机器人轨迹优化自动控制研究——基于BP神经网络与计算力矩

以农业机器人精密轨迹优化自动控制为目标,在优化算法中引入BP神经网络与计算力矩法结合的自动控制器,旨在减少作业过程中的运动误差,提高其工作效率。首先,建立农业机器人数学模型,分析其运动学和动力学原理;然后,设计了农业机器人运动控制系统,引入BP神经网络对不确定动力学因素进行判断,并提出解决该因素的自适应学习法;最后,对该系统运用Mat Lab进行了仿真。试验表明:以BP神经网络与计算力矩法结合的自动控制器可以有效优化机器人运动路径,提高机器人整体作业效率,系统运行稳定、可靠性强,且对外部环境的干扰因素具有较强的自适应学习能力。     

基于图和神经网络的数控加工特征识别

本文从当前特征识别方法中存在的问题出发,提出了一种基于图(属性邻接图)和神经网络的数控加工特征识别方法,结合属性邻接图实现对产品数据相关文件的预处理,并运用遗传算法,对BP神经网络进行了优化,希望能够为特征识别提供一种有效方法。