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。     

基于CMAC神经网络的自适应渠道输水自动控制研究

介绍了小脑模型神经网络CMAC的原理及基于CMAC的自动控制方法。在渠道输水控制技术的基础上,依据CMAC神经网络学习速度快、能够表达复杂非线性关系、适合于适时控制的特点,提出了基于CMAC的渠道输水控制模型。仿真结果表明,基于CMAC的渠道输水控制,算法简单方便,具有实时性、稳定性和较强的鲁棒性,控制效果较为理想。     

基于脉冲耦合神经网络的蝗虫图像分割

由于脉冲耦合神经网络(PCNN)特有的脉冲传播特性,PCNN在图像处理与模式识别领域得到了广泛应用.为此,提出了如何用脉冲耦合神经网络(PCNN)进行蝗虫图像分割.计算机仿真表明,采用PCNN图像预处理算法,可使图像中的目标(蝗虫)易于被发现;经PCNN预处理后,相同的后续处理效果明显好于未经PCNN预处理的图像.此方法验证了PCNN在图像处理方面的功能,同时也拓展了蝗虫侦测的方法.     

LVQ学习矢量量化神经网络模型在旱涝预测中的应用

旱涝灾害的预测对预防灾害和保护环境有着重要的作用。运用神经网络中LVQ学习矢量量化神经网络建立了旱涝预测模型,模型输入层神经元数目为3,输出层神经元数目为1,隐含层神经元数目采用实验法,最终确定为7。预测结果表明：该方法与传统的预测方法及BP神经网络相比,具有更强的容错性和鲁棒性,预测精度较高且计算简单等优点。     

基于神经网络逆控制方法的水轮发电机组非线性控制器仿真研究

基于水轮发电机组刚性水击模型和神经网络逆系统控制方法,在分析励磁与导叶系统可逆性的基础上提出了一种新的水轮发电机组解耦控制器设计方法.理论分析和仿真结果表明该控制策略较好的解决了水轮发电机组控制时存在的多变量、非线性、强耦合问题;实现了系统的动态解耦控制,具有较好的适应性和鲁棒性,因此可有效增强输电系统的暂态稳定性.     

汽车悬架参数优化的仿真研究

以BP神经网络对减振器的外特性进行建模为基础,Matlab/Simulink为工具,对汽车八自由度模型进行了平顺性仿真建模,并对含有不同神经网络减振器模型的整车振动响应输出进行了对比分析,从而找到适宜新车型的减振器,实现了汽车悬架阻尼参数的优化。     

基于人工智能的汽油机瞬态空燃比控制策略研究

介绍并对比了基于神经网络和模糊控制的瞬态空燃比控制方法,二者均不要求控制对象为非常精确的模型。特别在应用的非线性理论建模还不十分完善的情况下。神经网络控制器和模糊控制器的这个优点更为突出。     

基于模糊神经网络的农村电力短期负荷预测

为提高负荷预测精度,提出了一种新的模糊神经网络短期负荷预测模型。该模型将模糊系统和神经网络的优点融合在一起,并利用小生境遗传算法优化模糊神经网络参数,提升网络运算性能。某农村地区电力短期负荷预测的计算结果表明,该方法具有较好的预测效果。     

基于神经网络的猪肉新鲜度检测分级系统

首先,应用CCD光电检测技术对可表征猪肉新鲜度的多个特征量进行检测;然后,利用数字图像处理技术对检测到的特征量进行处理;最后,利用神经网络技术研究非相干微量参数的多数据融合检测方法,从而实现对猪肉新鲜度检测分级辨识。     

基于Elman小波神经网络的垦区地下水位预测模型研究

在现有Elman神经网络和小波分析理论研究的基础上,提出了Elman小波神经网络模型。给出了Elman小波神经网络梯度下降法训练的推导过程,为了避免梯度下降法收敛速度慢、容易产生振荡和陷入局部最优等缺点,在Elman小波神经网络的训练过程中引入动量项和自适应学习速率,并将该网络应用到垦区地下水位预测中,取得了良好的预期效果。在训练过程中,该网络具有收敛速度快,精度高等优点,同时也具有较好的泛化能力。