基于深度集成学习的青梅品级智能反馈认知方法

针对传统机器判定水果品级的开环认知模式存在特征空间和分类准则一旦建立不再更新的缺陷,模仿人由整体到局部反复推敲比对的思维信息交互认知模式,探索了一种具有认知结果熵测度指标约束的青梅品质智能反馈认知方法。首先,在有限论域不确定条件下从信息论角度建立具有信息完备性评价指标的非结构化多层面动态特征表征的青梅品级认知智能决策信息系统模型。其次,基于架构自适应的卷积神经网络(adaptive structure convolutional neural networks,ASCNNs)和集成随机权向量函数连接网络分类器(random vector functional-link net,RVFL),建立青梅图像由整体到局部有明确品级特征表征映射关系的特征空间数据结构与分类准则。再次,基于广义误差和广义熵理论,建立青梅图像认知结果的熵函数形式测度评价指标。最后,建立基于不确定过程认知结果性能测度指标约束的动态反馈认知智能运行机制。针对1 008幅青梅图像的平均识别率为98.15%,表明该文方法有效地增强了特征空间的泛化能力以及分类器的鲁棒性。该研究可为基于可见光的青梅品级快速准确机器认知提供参考。