经验型智能模型EIM

以模拟人类经验知识的获取和使用方式为基本出发点，以Ｐａｒｚｅｎ窗估计方法为基本工具，以人工神经网络为结构框架，提出并构建了一个主要用于执行估计和分类等智能处理任务的经验型智能模型ＥＩＭ。介绍了它的框架结构、基本思想、学习工作过程，并将其模拟实验结果与ＳＯＭ和ＭＰＬ等人工网络模型进行了比较。     

用计算机图象处理技术判别苹果果形的对称性

苹果果形的自动判别与分类是实现苹果分级自动化的关键一步，而对称性是描述苹果果形的一个重要特征。针对果形对称性判断的相对模糊性，提出了一种用模糊技术格人工神经网络进行苹果果形判别的方法。试验表明该方法可行且判别准确度较高。     

基于NGO-CNN-SVM的高标准农田灌溉工程施工成本预测

为提高高标准农田项目施工成本的预测精度,控制施工成本在合理范围,减少投资风险,该研究从单体灌溉工程施工成本预测角度出发,通过随机森林（random forest,RF）筛选出高标准农田灌溉工程施工成本的关键影响因素,结合卷积神经网络（convolutional neural networks,CNN）和支持向量机（support vector machine,SVM）两种模型的优点,通过北方苍鹰优化算法（northern goshawk optimization,NGO）对模型里的惩罚因子和核参数进行寻优,构建基于NGO-CNN-SVM的施工成本预测模型。通过辽宁省2018—2023年高标准农田工程中灌溉工程的施工成本数据,选取样本决定系数R²、平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE作为精度指标进行分析,结果表明：基于NGO-CNN-SVM的施工成本预测模型在渠道工程中MAE低于0.615万元,RMSE低于0.512万元,R²达到0.968以上,相对误差小于4.210%;在进水闸工程中MAE低于0.610万元,RMSE低于0.536万元,R²达到0.966以上,相对误差小于4.410%;在桥涵工程中MAE低于0.494万元,RMSE低于0.477万元,R²达到0.970以上,相对误差小于3.548%,并相比较于反向传播神经网络,CNN和CNN-SVM模型,NGO-CNN-SVM模型的预测结果均最优。通过特征选择、模型融合、算法优化以及不同模型对比表明NGO-CNN-SVM模型具有更高的预测准确率和泛化性,可为高标准农田灌溉工程施工成本预测提供理论依据。     

基于物候特征和全连接神经网络相结合的小麦自动识别研究

风云三号气象卫星具有空间分辨率高、时效性强、幅宽广等特点,对于实现河南省冬小麦自动识别具有很大优势。分析河南省冬小麦物候特征,基于冬小麦物候特征的植被指数时序变化规律,采用聚类分析可以得出冬小麦分类样本和时序指数特征。根据上述冬小麦分类样本和时序指数特征,考虑分类方法的高效性、精确性和自适应性,提出了基于物候特征和全连接神经网络相结合的小麦自动识别技术,该技术适用于河南省大面积冬小麦的分类。识别结果显示河南省 2019 年到 2022年冬小麦的空间分布情况,采用质量检验指标对识别结果进行精度验证,得出冬小麦识别准确率为 85.1%,非冬小麦识别准确率为 84.5%。试验结果表明,基于物候特征和全连接神经网络相结合的方法在小麦自动识别方面取得了显著的性能提升,与传统方法相比,所提出的方法具有更高的准确率和更稳定的识别性能。该方法对于冬小麦监测具有重要意义,并为农业生产的智能化和可持续发展提供了新的思路。     

基于MobileNet V2的田间葡萄果穗成熟度判别

葡萄的成熟度主要依靠人的感官判断,缺乏客观标准,严重影响葡萄的整体品质。针对以上问题,本文采用MobileNetV2轻量级的卷积神经网络模型对葡萄成熟度进行判别。田间采集红提葡萄图像共计380张,构建数据集,以不同着色度为指标,对数据集进行分类,并按7:2:1分为训练集、验证集、测试集,将训练集、验证集预处理后采用该数据集训练MobileNetV2模型。由测试集的试验结果,得到试验训练MobileNetV2模型所获得的分类准确率为87%。最后采用QT语言设计了可视化的界面。本文的研究将有利于推进葡萄采摘的自动化,降低葡萄采摘成本、提高葡萄的经济效益。     

基于神经网络的树叶识别系统研究

在林业系统注册树木种类时,通常采用大量树叶上的可见外形特点来辨别数目繁多的树木种类。针对此问题,本文提出了基于神经网络的树叶识别方法,该方法建立并管理一个分等级的树叶图像体系,通过对不同种类树叶的边缘提取来识别每种树叶的特征点,从而得到树叶的外部轮廓来区分树木种类:给出了相应的改进型神经网络算法,并给出详细的论述过程:最后,通过Java语言给出了系统实现并做了大量的数值仿真。结果证明本文方法是可行有效的。图4表1参8。     

基于Tensorflow的车型识别系统研究

研究了基于谷歌深度学习框架Tensorflow的深度学习在车型识别领域应用的可能性,使用了卷积神经网络模型,将6种不同类型的车辆图片作为训练集输入神经网络,通过多次训练,选择合适的神经网络超参数,最终得到了可以通过输入图片直接识别汽车类型的卷积神经网络模型,且准确率约为92%。同时,通过学习,以Tensorflow为后端,keras为前端进行建模、编程的完整流程,为进一步使用Tensorflow深度学习框架构建图像识别的应用环境打下了基础。     

基于树莓派平台的道路雾气和积雪检测系统设计

在大雾天或冬季路面积雪的环境,会影响车辆驾驶的安全性,甚至发生安全事故。使用树莓派平台,提出了一种基于卷积神经网络（CNN）的图像检测算法,用于实时检测雾气和道路表面积雪。使用树莓派开发板和一个摄像头实时获取雾气和路面积雪的信息,通过Mobile Net深度学习算法检测道路情况。实验表明,其对雾气和路面积雪的检测准确率为97%以上。并且证实Mobile Net的深度学习算法的在树莓派上的工作速度优于Res Net50等算法。     

融合注意力机制的电机故障检测系统设计

针对传统电机故障检测方法需要依据专家经验进行手工特征信息提取以及卷积神经网络对相似故障类型的分辨率低等缺点,提出了一种DenseNet模型的改进结构.首先对电机信号进行滤波及预处理,将一维波形信号转换成二维频谱能量图,然后通过对DenseNet的部分卷积模块增加旁路模块进行信号的软阈值化,可以在网络训练学习时自动对信号进行降噪处理,得到足够的分类特征信息,避免了手工特征信息提取的繁琐及不确定性.最后,将改进后的模型用于电机故障类型的实时检测,并与其他几种算法进行对比,结果表明,所提出的算法特征信号分类明确、误检率低,对故障的识别准确率可以达到99.49%.     

基于高光谱成像技术的冬瓜种子品种鉴别

为实现冬瓜种子品种的快速无损检测,利用高光谱成像技术采集了广东黑皮、一串铃和韩育粉皮3个品种冬瓜种子的光谱图像信息。采用标准归一化（SNV）、多元散射校正（MSC）、中值滤波（MF）等方法进行预处理,利用连续投影法（SPA）、回归系数法（RC）和竞争性自适应算法（CARS）提取特征波长,建立了粒子群优化BP神经网络判别模型,预测集的决定系数与均方根误差分别为R2=0.930、RMSEP=0.047,准确率高达96.30%。研究表明,高光谱技术结合粒子群优化BP神经网络可以实现对冬瓜种子品种快速无损鉴别。