ILBP算子在浓雾天气形势图识别中的应用

纹理是天气形势图的突出特征,有效地从天气形势图提取并表示其纹理是实现雾型实时在线预报的基础。基于此,提出一种改进的局部二值模式算法,通过调整局部二值模式(LBP)算子中二进制多项式的权重,实现其提取特定方向上纹理特征的目标。将江苏地区2010年—2017年500张浓雾天气形势图作为数据集,采用Chi统计法匹配测试数据与基准数据的相似度进行天气分类。实验结果表明,该算法的准确率、虚警率及临界成功指数分别为0.884、0.15和0.76,均优于LBP算法,具有较高的识别准确性与可靠性。     

神经网络在车牌识别中的应用

介绍了中国车牌识别的研究背景和现状,提出了一种基于神经网络的新方法,并设计了一种没有直接预处理的车牌像素图像的卷积神经网络结构。该图像变换适用于利用原始车牌来增加训练数据库。实验结果验证了本车牌识别方法的鲁棒性和有无车牌的识别效率。     

改进CaffeNet模型在水面垃圾识别中的应用

为了提高水面垃圾识别的准确率,提出一种改进CaffeNet的卷积神经网络模型对水面垃圾进行识别。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构,进而增强了网络模型特征提取的能力,降低了网络复杂度。实验结果证明:改进的CaffeNet模型将水面垃圾的识别率提高到95. 75%,能减少水面波纹、物体倒影和桥梁等复杂环境对水面垃圾识别的影响,具有较好的水面垃圾识别效果。     

混合深度学习模型C-RF及其在手写数字识别中的应用

卷积神经网络（Convolutional neural network,CNN）是一种常见的深度学习模型,受人类视觉认知机制启发而来,能够从原始图像得到有效的特征表达。CNN模型在图像识别领域不断取得突破,但是在训练过程中需要花费大量时间。随机森林（Random forest,RF）在分类和回归上具有很高的精度,训练速度快并且不容易出现过拟合的问题,现有的基于RF的分类器都依赖手工选取的特征。针对以上问题,本文提出了基于CNN的C-RF模型,把CNN提取到的特征输入RF中进行分类。由于随机权值网络同样可以得到有效的结果,所以不用梯度算法调整网络参数,以免消耗大量时间。最后在MNIST数据集和Rotated MNIST数据集上进行了实验,结果表明C-RF模型的分类精度比RF有了较大的提高,同时泛化能力也有所提升。     

混合神经网络模型在人体活动识别中的研究

针对人体活动识别问题与其在实际情况中的应用,综合考量卷积神经网络与作为循环神经网络变体的门控循环单元,设计能自动提取传感器数据特征和记忆时序性活动数据的CNN-GRU混合神经网络模型,并予以改良.使用该模型在公开的数据集上进行实验,较其他的模型效果更加理想.在人体活动识别的处理中,CNN-GRU模型能达到预期的高准确率.在数据集时序性依赖较强的情况下,CNN-GRU模型能拥有更好的准确度和稳定性.     

混合神经网络模型在人体活动识别中的研究

针对人体活动识别问题与其在实际情况中的应用,综合考量卷积神经网络与作为循环神经网络变体的门控循环单元,设计能自动提取传感器数据特征和记忆时序性活动数据的CNN-GRU混合神经网络模型,并予以改良.使用该模型在公开的数据集上进行实验,较其他的模型效果更加理想.在人体活动识别的处理中,CNN-GRU模型能达到预期的高准确率.在数据集时序性依赖较强的情况下,CNN-GRU模型能拥有更好的准确度和稳定性.     

深度学习技术及在花卉识别中的应用

深度学习(Deep Learning,DL)是机器学习领域的重要研究分支,当前已广泛应用在智能农业领域中的花卉识别、杂草检测和病虫害检测等方面。笔者介绍了深度学习的发展历程,阐述了主流的基于卷积神经网络的目标识别算法,将当前较为典型的两种图像识别算法FasterR-CNN和YOLO应用于识别花卉图片,通过比较分析两种方法在花卉图片识别过程中的优劣性,并提出了下一步的研究方向。     

双通道卷积神经网络在静态手势识别中的应用

针对静态手势识别任务中,传统基于人工提取特征方法耗时耗力,识别率较低,现有卷积神经网络依赖单一卷积核提取特征不够充分的问题,提出双通道卷积神经网络模型。输入手势图片通过两个相互独立的通道进行特征提取,双通道具有尺度不同的卷积核,能够提取输入图像中不同尺度的特征,然后在全连接层进行特征融合,最后经过softmax分类器进行分类。在Thomas Moeslund和Jochen Triesch手势数据库上进行实验验证,结果表明该模型提高了静态手势识别的准确率,增强了卷积神经网络的泛化能力。     

CNN-XGBoost混合模型在音频场景分类中的应用

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性.     

SF-CNN在驾驶行为识别中的应用研究

为了减少不良驾驶行为的潜在危险,通过智能手机内置传感器对驾驶行为进行实时监测,辅助驾驶者安全驾驶,提出了一种优化特征分布的无监督特征学习算法模型——稀疏滤波-卷积神经网络模型（Sparse Filter-Convolutional Neural Network,SF-CNN）。该方法利用移动终端在车辆行驶中采集的三轴加速度数据,通过稀疏滤波进行范数联合约束,得到紧凑的初级特征表达,将该表达矩阵作为卷积神经网络首层的输入,进行非线性分类来识别驾驶行为。实验结果表明,稀疏滤波-神经网络的识别模型对驾驶行为具有更高的识别率和鲁棒性,优于传统神经网络模型,对辅助驾驶系统的效能评价有重要的理论意义。     

改进Xception模型的乳腺钼靶图像识别研究

乳腺X线摄影技术是早期发现乳腺癌的主要方法,但其结果很大程度上受放射科医师临床诊断经验的限制;基于卷积神经网络对乳腺钼靶图像自动分类的研究可以为放射科医师临床诊断提供意见,然而乳腺癌肿块边缘模糊且良恶性肿块特征差异较小,分类任务面临重重挑战;为了提高乳腺钼靶图像分类的准确率,提出一种基于Xception模型的改进优化算法,改进模型中的残差连接模块,并嵌入Squeeze-and-excitation（SE）注意力机制对模型进行优化;采用优化后的Xception模型并结合迁移学习算法进行乳腺钼靶图像特征提取,并优化全连接层网络进行图像分类,使用公开的乳腺癌图像数据库CBIS-DDSM进行实验,将乳腺钼靶图像自动分为良性和恶性;实验结果表明该方法可以有效提高模型的分类效果,准确率和AUC分别达到了97.46%和99.12%。     

基于深度学习的垃圾图片处理与识别

针对城市环境卫生提出的对市民生活垃圾进行分类回收的要求,考虑计算机卷积神经网络在图片分类中的强大表现,提出了基于深度学习中卷积神经网络对垃圾图片处理以及输出识别的新模型与方法。针对目前图像局部特征表达存在的复杂性,模糊性等不足,采用特征多层池化以及系统神经网络学习的方式进行优化。同时在ResNet101模型的基础上设计并构建了基于CNN(Convolutional Neural Network)算法的新模型框架,此系统模型也能实现端与端的实时识别。新模型提高了对训练样本图像信息提取的精确度以及图片识别的准确率,实验表明识别准确率平均提高了10%。为未来实现人工智能垃圾分类提供图像识别模型基础。     

基于Gabor变换的纹理分类与识别

自然纹理图像复杂多样,目前国际上没有明确的分类标准,利用中文自然语言中的纹理概念词对常见的自然纹理进行基于概念的分类,并建立了自然纹理图像库。提出了Gabor频谱滤波提取纹理特征的方法,大大提高了计算速度。以支持向量机为分类器,并与传统的基于BP神经网络的识别方法进行对比,实验验证了该分类方法的有效性。     

雾天条件下的视频图像复原方法及其应用

针对雾天户外视频图像的退化现象,提出一种基于大气模型的完全自适应视频图像复原方法。该方法根据单帧图像的灰度分布特性,求出天空区域灰度的最佳近似正态分布,再由这个近似正态分布得到天空区域的灰度均值,同时根据灰度直方图分割出各个景物的深度区域并求出归一化辐射率的值,利用同深度区域内像素点的对比度实现退化图像的复原。实验表明,该方法对雾天退化图像的清晰化效果较好。     

权值优化集成卷积神经网络及其在三维模型识别中的应用

三维模型应用广泛,如何有效地管理和分类这些数据库中的三维模型一直是人们 关注的问题。然而,由于不同三维模型之间的相似性难以测量,因而很难获得一种稳健且广泛 适用的三维模型分类算法。为此,提出了一种权值优化集成卷积神经网络(WOTCNN)模型,并 将其应用到三维模型的分类识别中。首先,获取三维模型的深度投影视图来最大限度地保留三维 模型的空间信息。然后,采用调整的 VGG 网络对各角度的深度投影图像进行训练并提取预测概 率值。最后,通过加权集成算法获得完整三维模型的最终分类结果。对 ModelNet10 及 ModelNet40 数据库的实验表明：三维模型的平均分类准确率达到 92.84%和 86.51%。在预测性能方面,该网 络优于普通的单卷积神经网络;在三维模型识别方面,其分类准确率能够得到显著提升。     

基于Keras手写数字识别模型的改进

针对结构设计不合理的卷积神经网络导致MNIST识别的准确率低、收敛速度慢和训练参数多等问题,提出卷积神经网络结构的改进模型.改进的模型采用2次卷积、2次池化和3次全连接、采用Relu激活函数和Softmax回顾函数相结合,加入Dropout层防止过拟合,加入Flatten层优化结构.为了缩减代码量,采用API功能强大的Keras模型替代Tensorflow.对MNIST的训练集和测试集数据的准确率进行仿真实验,实验结果表明:采用改进的结构在MNIST的训练中不仅收敛速度快、训练参数少、损失率低,而且在测试集上的准确率达到99.54％、高于改进前的99.25％,对后续手写数字的研究具有重要意义.     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

基于改进卷积神经网络的交通标志识别方法

针对传统卷积神经网络时间成本高的不足,对卷积神经网络进行了改进,减少其卷积核的数量,增加池化方式.为解决真实场景中自动驾驶系统和辅助驾驶系统中的道路交通标志识别问题,将改进的卷积神经网络运用到道路交通标志识别当中,以达到在较短时间内识别出交通标志的目的.以图形数据集GTRSB实景交通标志图像数据作为样本,用改进的卷积神经网络对实景交通标志进行识别,其识别总体准确率达到98.38%.实验结果表明,本方法可以在保持较高识别准确率的同时减少其识别的时间.     

基于CNN-BIGRU的中文文本情感分类模型

在当今商业领域,对网络评论的情感分类一直是一个比较热门的研究方向,而为了克服传统机器学习方法所构建分类器会产生较大计算开销,精度表现较差的缺点,提出一种基于深度学习模型中卷积神经网络(CNN)与循环神经网络(RNN)模型的情感分类方法。在以往的研究中,卷积神经网络往往被用来提取文本的局部特征信息,但却容易忽视文本的长距离特征,而RNN则往往被用来提取句子的长距离依赖信息,但容易陷入梯度爆炸问题。因此,结合卷积神经网络对于局部特征信息的良好提取能力与循环神经网络对于长距离依赖信息的记忆能力,构建了一个CNN-BIGRU混合模型,用以提取文本的局部特征以及文本的长距离特征。其中循环神经网络模型使用了双向GRU模型,以避免RNN模型的梯度爆炸与梯度消失问题。在谭松波的酒店评论数据集上的实验结果表明,利用该模型,实验分类的准确率比单独使用卷积神经网络模型最高提升了26.3%,比单独使用循环神经网络模型最高提升了7.9%,从而提高了对中文文本情感分类的精度,并减少了计算开销。