基于神经网络技术的乘员体型识别系统

BPMS(Body Pressure Measurement System)系统是针对汽车安全气囊系统设计的辅助系统。本系统应用神经网络技术,通过对座椅压力传感器信号的分析处理,识别出车内乘员的体型特征,从而辅助控制车辆安全气囊的爆发。BPMS系统由试验台架设计、座椅压力采集、数据预处理、乘员体型识别系统等部分组成。试验结果表明,该系统可以有效地识别乘员体型特征,为准确控制安全气囊系统的工作提供保障。     

基于LM-BP神经网络的采摘机器人语音智能识别系统

随着现代机器人技术的发展,采摘作业机器人也有了很大的进步,自主作业能力有了大幅度提升.各种智能化、自动化的采摘机器人被应用到果实采摘作业过程中,改变了手工采摘作业的生产发生,极大地提高了作业效率.采摘机器人自主作业过程中,由于受到作业环境的影响,还需要对机器人进行实时监测和远程控制,以保证采摘作业的顺利进行.为此,将语...     

基于MATLAB的汽车振动响应分析

为了评价垂直振动和俯仰振动对汽车平顺性影响,建立汽车四自由度振动模型。通过拉普拉斯变换推导数学模型。基于MATLAB软件,对推导的数学模型进行编程,分析了车身垂直振动、俯仰振动对前后轮的激励影响,前后轴振动对前后轮激励的频率响应。     

基于MATLAB的汽车动力性仿真

主要介绍了MATLAB在汽车动力性仿真中的应用,以及开发仿真程序的方法。在建立动力学模型的基础上,用VC开发人机界面和利用数据库对数据进行管理,有效利用MATLAB的强大数学计算功能和绘图功能。结果表明,该方法具有处理数据精度高,实用性好等优点,为汽车动力性仿真提供一种很好的方法。     

基于MATLAB的棉株识别系统摄像头标定研究

针对棉花打顶过程中识别难的问题,搭建棉株识别系统试验平台。详细分析介绍摄像机标定原理,运用MATLAB相机标定工具箱完成摄像头的标定。标定结果显示标定算法正确,为后续棉株识别和定位研究奠定基础。     

基于神经网络的混合动力汽车驾驶意图识别方法

建立了基于Takagi-Sugeno模型的模糊神经网络。通过对模糊神经网络进行训练,生成了驾驶意图模糊推理规则。从仿真结果可以看出运用本方法得到的模糊推理规则可以很好地识别驾驶意图,并且基于驾驶意图识别可以有效地优化混合动力汽车的控制策略,从而进一步提高混合动力汽车燃油经济性。     

基于遗传神经网络的种蛋成活识别系统

为解决人工识别种蛋受精误差和效率低等问题,本文提出一种基于DSP硬件平台和遗传神经网络的识别系统。系统以DM6437处理器搭建硬件处理平台,系统识别软件是遗传神经网络算法。它通过拍摄装置获取200枚种蛋图像,图像信息输入DSP系统的处理算法,提取图像的色调(H)分量颜色特征,使用主成分分析法找出色度分量中4个主成分特征,他们的总贡献率超过90%。最后利用遗传神经网络算法输入4个色度主成分特征,预测输出是孵化种蛋的成活性。训练神经网络并用测试集样本验证神经网络。实验结果是遗传神经网络和BP神经网络检测正确识别率分别是93%和86%,表明遗传神经网络的准确率较高,可以实现自动检测种蛋受精和成活。     

基于神经网络的农业病虫害损失预测

鉴于农业病虫害经济损失的预测具有较强的复杂性和非线性特性,设计了一种新型的GRNN预测模型,对农业病虫害经济损失进行预测.该模型基于人工神经网络捕捉非线性变化独特的优越性,在神经网络技术和江苏省气象局提供的数据的基础上,利用MATLAB人工神经网络工具箱及GRNN广义回归神经网络建立预测模型,来提高农业病虫害经济损失预测的精度.预测结果表明,该方法建立的模型可以实现对病虫害经济损失的预测,且其预测精度较高.     

基于DSP和模糊神经网络种蛋识别系统

针对传统的无线传感器网络监测农田范围小、采样频率不足和能耗高等问题,本文设计了基于簇状结构的无线传感器网络监控系统.能实现对玉米田环境参数的测量.该网络拓扑结构是簇状结构,分为2个簇,8个终端采集节点,2个簇首节点和1个汇聚节点.为延长生存期、降低能耗,节点采用定时休眠,依据节点功能采用不同供电模块,简化协议固定簇内终端节点和簇首的位置.设计WSN-CFM (Corn Field Monitoring)系统能实现近端计算机控制信息采集、处理、传输和存储农田参数变化状况.试验节点部署在玉米田,8个终端节点有7个终端节点数据的传输正确率均超过85%,正确率较低的节点更换电池后可正常工作.系统是能实现稳定传输,适合对玉米田环境参数实时监测.     

车牌识别系统在MATLAB中的研究与实现

随着交通管理系统的信息化、智能化的快速发展,对车牌的定位以及识别有了更高、更精确的要求。由于Robert算子对边缘定位比较准,在图像噪声较少的情况下,分割的结果相当不错。文章选择Robert边缘检测算子法进行边缘检测,运用区域分割法实现了车牌的分割与识别。由结果可知,系统采用Robert算子法能准确实现车牌的定位、分割和识别,具有良好的性能。     

基于MATLAB的BP神经网络对特细砂混凝土强度预测的研究

混凝土抗压强度是混凝土最重要的性能之一,是混凝土质量控制最核心的内容。通过介绍混凝土强度的预测方法、BP神经网络预测的过程,在主要考虑水灰比、砂率和水泥用量3个因素的情况下,基于MATLAB用BP神经网络预测特细砂混凝土强度。分析表明：通过BP神经网络模型拟合的计算期望值和实际值的相关系数达到0．96287,相关性非常显著。     

基于树莓派及深度学习的柑橘识别系统设计

随着现代农业技术的发展,柑橘的生产与采收自动化是必然趋势,而柑橘的目标识别是实现采摘自动化的重要环节。提出一种基于树莓派的柑橘识别系统,以树莓派作为软件程序平台,应用Python语言构建卷积神经网络模型,利用TensorFlow平台实现柑橘的识别。通过机器视觉采集柑橘树的相关数据,结合深度学习算法,对柑橘树上的柑橘进行识别及计数。经过测试,识别正确率约为92.4%。此外,利用GPS模块进行识别位置定位,确定区域内的柑橘密度及使用光照强度传感器测量环境光照强度对图像进行直方图均衡化处理,降低光照对柑橘识别的影响。     

一种基于卷积神经网络的车辆检测方法

介绍了一种基于卷积神经网络的车辆识别方法。该方法首先对车道线进行边缘检测,采用车道线模型进行匹配,从而确定道路感兴趣区域。然后采集道路视频,对其中的车辆目标进行标注,制作车辆数据集,再设计一种卷积神经网络,利用车辆数据集训练检测器,使检测器适应于车辆二分类识别的任务。最后在道路感兴趣区域中检测车辆。相较于传统的车辆识别方法,该方法具有较好的准确性与鲁棒性,在复杂行驶环境下的识别效果令人满意。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于卷积神经网络的白背飞虱识别方法

为了实现白背飞虱虫情信息的自动收集和监测,提出一种基于卷积神经网络的白背飞虱识别方法并进行应用研究。首先,用改进的野外环境昆虫图像自动采集装置,采集田间自然状态下的白背飞虱图像,对所获取的图像进行归一化处理。然后,随机选取1/2图像样本作为训练集、1/4作为测试集。利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作。再次经过卷积操作和3×3邻域池化操作后,通过自动学习获取网络模型参数和确定网络模型参数,得到白背飞虱的最佳网络识别模型。试验结果显示,利用训练后的网络识别模型,对训练集白背飞虱的识别正确率可达96.17%,对测试集白背飞虱的识别正确率为94.14%。     

人工神经网络在食品检测中的应用

近年来,人工神经网络的应用领域迅速扩大,在图像识别和语音识别方面展现了很好的智能特性.它在模式识别、数据处理、自动控制和预测中广泛应用,其优势在于不确定性系统的控制和预测.食品工业所涉及的食品加工过程、品质控制以及成分分析往往是属非线性和非稳态的系统,应用人工神经网络能够促进食品工业的发展.为此,首先简单介绍了人工神经网络的原理;然后,总结了国内外将人工神经网络应用于食品工业的一些情况,最后,展望了人工神经网络的应用前景.     

基于主成分BP人工神经网络的参考作物腾发量预测

影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。     

基于自适应卷积神经网络的染病虾识别方法

针对南美白对虾样本来源多样导致的泛化效果较差的问题,引入香农信息论构造不同来源样本的特征差异模型,以深度卷积神经网络(DCNN)为识别框架基础,依据多源样本组成的数据集在分类前后呈现的熵减规则计算DCNN中的网络超参数,消解数据集从随机输入到规则输出的信息熵,打破数据类型从三维输入到一维输出的熵变动,实现图像数据由高维空间向低维空间的映射,获取DCNN中关于超参数和网络深度的自适应优化策略,以提高识别不同来源染病虾的泛化效果。实验结果表明,所提方法在单个数据集上的识别精度最高可达97.96%,并在其他4个图像数据集上进行了测试泛化,泛化精度下降幅度小于5个百分点。     

基于多注意力机制与编译图神经网络的高光谱图像分类

针对高光谱图像(Hyperspectral image,HSI)分类研究中小样本学习时,无法达到理想分类效果的问题,以多注意力机制融合、编译图神经网络与卷积神经网络有机结合提出了一种新的高光谱图像分类方法。设计了一种基于混合注意力机制的网络(Multiple mixed attention convolutional neural network,MCNN)与编译图神经网络（Compiled graph neural network,CGNN）,在学习样本有限的情况下,其能有效保留HSI的光谱与空间信息。引入的图编码器与图解码器可以有效地映射不规则的HSI地物类别特征信息。设计的多注意力机制可以重点关注一些重要的空间像素特征。研究了不同训练样本下对不同算法学习示例分类的影响,在公共数据集Botswana (BS)的实验表明,本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法总体分类精度(Overall classification accuracy,OA)分别高2.72、3.86个百分点。同样在IndianPines(IP)数据集上仅用3%训练样本数据的实验结果显示,本研究方法比CEGCN与WFCG算法的OA分别高0.44、1.42个百分点。说明本研究提出的方法不仅对HSI具有良好的空间与光谱信息感知能力,而且在微小学习数据下仍然表现出强有力的分类准确性。     

基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。