多尺度U网络实现番茄叶部病斑分割与识别

随着深度学习技术的迅速发展,卷积神经网络成为研究植物叶部病害识别与病斑分割的主流方法.针对番茄叶部病斑大小不一、形状不规则、病斑分割需要大量像素级标记等问题,文中提出一种多尺度U网络,以同时实现番茄叶部病斑分割与病害识别.在病害特征提取阶段采用多尺度残差模块组合不同尺寸的感受野来提取病害特征,以适应病斑大小和形状的动态变化.引入CB模块(Classifier and Bridge)将病害特征提取阶段与病斑分割阶段连接,对病害特征进行分类,并根据分类结果反向映射出特定类的激活图,此激活图包含特定类别病斑的关键信息.在分割阶段采用上采样与卷积相结合的方法对特定类的激活图进行反卷积,利用跳跃连接方式将反卷积特征与低层特征融合,以补充更多的图像细节信息,获取病斑分割的灰度图.为了使分割的病斑定位更加精确,利用少量像素级标记,对每个像素点采用二分类交叉熵损失函数进行监督训练,同时更好地引导特征提取网络关注病斑部位.利用原始测试集与模拟噪声和光照强度的干扰测试集分别验证模型的病斑分割与病害分类性能.在原始测试样本集上多尺度U网络的平均像素准确率、平均交并比和频权交并比分别达到了86.15％,75.25％和90.27％;在降低30％亮度和添加椒盐噪声的干扰测试集上,模型的识别准确率分别为95.10％和99.20％.实验结果表明,所提方法可以实现番茄叶部病斑分割与识别效果的共同提升.     

一种基于MRⅡ算法的三层二值双向联想记忆网络

传统的两层二值双向联想记忆(BAM)网络因其结构的限制存在着存储容量有限、区分小差别模式和存储非正交模式能力不足的缺陷,结构上将其扩展至三层网络是一个有效的解决思路,但是三层二值BAM网络的学习是一个难题,而三层连续型BAM网络又存在处理二值问题不方便的问题。为了解决这些问题,提出一种三层结构的二值双向联想记忆网络,创新之处是采用了二值多层前向网络的MRⅡ算法实现了三层二值BAM网络的学习。实验结果表明,基于MRⅡ算法的三层二值BAM网络极大地提高了网络的存储容量和模式区分能力,同时保留了二值网络特定的优势,具有较高的理论与实用价值。     

基于元胞蚁群优化算法的农业无线传感器网络路由研究

无线传感器网络(WSNs)进行农业信息采集时,针对传感器节点数量多,能量消耗不均衡的特点,提出基于元胞蚁群优化(CACO)的WSNs路由算法。算法将网络中的节点映射成CACO算法中的元胞,通过改进蚂蚁信息素更新模型,引入睡眠唤醒机制,有效地减少了节点间的通信,从而改善能量消耗不均衡。仿真结果表明:该算法有效地减少了网络耗能、节点消亡数量,延长了网络生命期。     

描述蝴蝶兰图像外轮廓信息的对称8链码编码算法

外轮廓信息是评价蝴蝶兰生长态势的重要特征参数,主要通过轮廓提取和链码编码两个步骤获得。蝴蝶兰图像的边缘轮廓最适合利用数学形态学算法提取,但所得轮廓并非单像素宽度,而利用传统8链码算法编码会错误地表达其外轮廓信息,因此结合轮廓特点重新定义了起始链码方向,提出了对称8链码编码算法。在编码过程中,该算法能够通过变换点判断出当前轮廓走向,从而自适应地选择起始链码方向。验证性实验证明,该算法能够准确描述蝴蝶兰图像的外轮廓信息,保证外轮廓信息较低的误判率;通用性实验证明,该算法同样适用于其他已较好提取出目标的封闭图像。     

时间序列特征提取方法研究综述

随着物联网、大数据和人工智能等技术研究和应用的蓬勃发展,各类时间序列数据不断涌现.时间序列数据特征是表象,内在蕴含着丰富的领域知识,如何高效分析时间序列特征模式,提取可辨识的时间序列特征,挖掘数据蕴含的规律,正成为业界研究的热点.本文首先介绍时间序列概念,综述了时间序列分类、聚类和预测三方面研究的最新进展;然后从时间序列特征提取方法的形状特征、时间依赖特性、序列变换特征3方面,详细分析和比较机器学习方法在时间序列问题上的研究情况,最后基于当前时间序列特征提取方法的发展趋势,对时间序列特征提取方法的未来发展做出展望.     

基于博弈论的农业无线传感器网络数据传输模型

针对农业应用中无线传感器网络电源续航能力不足的问题,提出一种基于博弈论的数据传输模型,该模型中,将参与博弈的节点和潜在中继节点的剩余能量、父子节点间通信链路损耗和此次博弈结果对上游通信链路造成的额外开销等因素纳入效益函数中,从而综合衡量博弈结果的优劣,建立一种多约束条件下的均衡点。结合NS—2仿真软件将本模型与AODV协议的端端延时、数据效率和能量损耗对比,并通过实验结果表明:该模型与AODV协议相比,可以在保证通信质量的前提下节约能量。     

基于判决门限的RFID防碰撞Q值算法

标签的识别速度是RFID技术高强度、大规模应用的关键。为了提高射频标签的识别速度,提出了一种基于判决门限的防碰撞算法——QA-DTCI,详细阐述了算法的思想、运算流程和门限阈值的确定方法。在QA-DTCI算法中,读写器增加了两个计数器来分别计算碰撞和空闲时隙的个数,单独处理空闲时隙和碰撞时隙。当检测到碰撞时隙时,碰撞计数器自增;当检测到空闲时隙时,空闲计数器自增;同时对空闲计数器与碰撞计数器进行差值运算并与预设定的门限阈值比较,从而动态调整Q值。仿真结果表明,与QA算法相比,QA-DTCI算法在不损耗系统吞吐率的情况下,识别时延最大缩短了4%、识别速度提高了10%。     

脉冲神经元脉冲序列学习方法综述

脉冲神经元是一种新颖的人工神经元模型,其有监督学习的目的是通过学习使得神经元激发出一串通过精确时间编码来表达特定信息的脉冲序列,故称为脉冲序列学习。针对单神经元的脉冲序列学习应用价值显著、理论基础多样、影响因素众多的特点,对已有脉冲序列学习方法进行了综述对比。首先介绍了脉冲神经元模型与脉冲序列学习的基本概念;然后详细介绍了典型的脉冲序列学习方法,指出了每种方法的理论基础和突触权值调整方式;最后通过实验比较了这些学习方法的性能,系统总结了每种方法的特点,并且讨论了脉冲序列学习的研究现状和进一步的发展方向。该研究结果有助于脉冲序列学习方法的综合应用。