基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型.通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析.结果 表明:本模型对...     

自组织神经网络在文本分类中的应用研究

针对信息挖掘中的文本自动分类问题,提出了一种基于自组织特征映射网络的分类方法。网络由输入层和竞争层组成。输入层节点与竞争层节点实行全互连接。输入层完成分类样本的输入,竞争层提取输入样本所隐含的模式特征,并对其进行自组织,在竞争层将分类结果表现出来。分无监督和有监督两个阶段完成对网络的分类训练。该方法在特征提取时充分考虑了特征项在文档中的位置信息,构造出模糊特征向量,使自动分类原则更接近手工分类方法。以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性。     

基于神经网络的心电分类器设计

设计了一种基于神经网络的心电分类器,该设计利用前向多层神经网络的反向传播算法,即BP算法,采用Matlab软件建立了用于心电信号分类的BP神经网络,并利用大量的心电图数据训练神经网络,使神经网络能分辨出正常和异常的心电信号。     

Matlab和神经网络法对土壤水分特征曲线 VG模型的拟合比较

以山东荣成地区棕壤、风沙土为对象,测定分析土壤剖面不同层次的容重、质地、有机质含量、水势和含水量等状况;运用Matlab软件和神经网络法对土壤水分特征曲线van-Genuchten(简称VG)模型进行拟合,将2种拟合结果与实测数据进行对比分析。结果表明,研究土壤不同土层含水量均随着水吸力的增加呈"快速下降-缓慢下降-基本平稳"的变化趋势;由于受到土壤颗粒组成、容重等物理因素和有机质含量差异的影响,棕壤和风沙土不同土层的饱和含水量和残留含水量差异较大,其中棕壤60～70 cm和风沙土10～20 cm的土壤残留含水量最大;Matlab软件拟合的残差平方和比神经网络预测方法低几个数量级,说明采用Matlab对水分特征曲线VG模型拟合精度高,拟合效果较好。     

利用ActiveX实现可视化的神经网络模型

文章主要介绍在VB6.0中利用ActiveX自动化技术使用和操作Matlab中的神经网络工具箱。它以VB(Visualbasic)作为自动化控制器,以Matlab作为自动化服务器,在使用VB进行Windows编程中,充分发挥Matlab在系统分析、设计和仿真等方面的优势。     

基于Matlab的神经网络仿真试验设计

针对人工神经网络本科教学难问题,结合本科教学的宗旨,提出了利用Matlab开发仿真试验的方法。论述了BP神经网络的基本原理,给出了BP网络的仿真试验实例。实践表明,该仿真试验不仅界面友好、效果直观,而且有助于提高学生对神经网络的理解和应用。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

基于深度卷积神经网络的水稻纹枯病检测识别

纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

基于全卷积神经网络的植物叶片分割算法

目的植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。方法本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。结果本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。结论与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。      

基于禁忌搜索的模糊神经网络分类器设计

提出了一种基于禁忌搜索的模糊神经网络分类器设计算法．该方法首先从训练样本中自动获取分类规则,构成模糊神经网络的初始网络结构,然后采用基于禁忌搜索和梯度下降法的混合算法同时优化模糊神经网络的结构和参数．使用IRIS数据集对所提出的方法进行性能测试,结果表明该方法能使用较少的分类规则获得很好的分类效果．     

利用人工神经网络建立谷物干燥模型

分析了谷物干燥传统建模的难点，介绍了人工神经网络建模的原理和方法及其在干燥过程中的运用。     

基于人工神经网络的逆流式谷物干燥机模型

针对传统数学建模方法的局限性，利用人工神经网络建立逆流式谷物干燥机模型。网络的拓扑结构是基于感知机的３层前向网络，采用ＢＰ算法对网络进行训练，训练数据来源于逆流干燥要计算机模拟结果。实验结果表明网络能很好地预测逆流干燥机的行为。     

基于概率神经网络的遥感图像分类MATLAB实现

在遥感图像分类研究方面人工神经网络是一种有效途径,与传统的分类方法相比概率神经网络具有许多优良的性能,因此利用神经网络工具箱构建了概率神经网络,经对比分类精度选取最优SPREAD=0.009,并对一幅TM假彩色遥感图像通过训练后,仿真输出能真实地反映原始图像的特征,其分类总精度为82.62%,Kap-pa系数为0.7821,结果表明:分类精度能够满足遥感图像分类的需要。     

基于深度神经网络的个性化推荐系统研究

为了有效地提升海量文献信息检索过程中的用户个性化满足程度,该文设计了一个全新的个性化推荐系统.在这个系统中,核心算法是基于深度神经网络的个性化推荐方法.此方法构建的深度神经网络,包含了嵌入层、编码层、个性化特征融合层、解码层4个层次,从而准确地反应用户的个性化需求并完成查询推荐.以基于DNN网络的文献检索方法、基于Segnet网络的文献检索方法、基于Seq2Seq网络的文献检索方法为对比算法,针对计算机、通信、机械、电气、建筑、历史、政治、经济、数学、英语10类文献数据进行查询推荐实验,比较4种方法检索结果与用户需求的吻合程度.实验结果表明:该文提出的基于深度神经网络的检索方法,其检索结果的用户个性化需求吻合度高于其他3种方法近10个百分点,对于英语类文献检索结果的个性化需求吻合度,甚至达到了90.2%,这充分说明了该文提出的检索方法和构建的个性化推荐系统有效.     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于遗传神经网络的植物叶片病害特征提取的研究

为提高作物病害定量、快速、准确识别,以大豆褐斑病为例,综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈遗传神经网络,实现了大豆褐斑病的识别与特征计算。本技术首先通过计算机视觉技术采集叶片图像,尔后,采用遗传神经网络完成了对病斑图像的识别,最后运用数字图像处理技术完成了对病斑区域相关特征值的计算,实验识别准确率达100%。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。