基于神经网络-证据理论的遥感图像数据融合与湖泊水质状况识别

为了进一步提高湖泊水质状况识别的准确性，提出了一种基于神经网络．证据理论的遥感图像数据融合处理方法，并以太湖水质监测数据为例进行了实证分析。该方法先对不同的遥感输入图像，采用各自相应的神经网络进行处理，然后对神经网络输出的结果做归一化处理，再利用D-S证据理论进行数据融合，最终给出水质的识别结果。该方法的优点为(1)可增加水质识别的容错性；(2)由于融合了多源水质遥感图像的数据，因而水质状况识别的可信度更高。     

深度图像下基于特征学习的人体检测方法

文章提出了一种单幅深度图像上的人体检测算法。该算法通过构建自编码神经网络的方法使机器自我学习图像的内部结构特征,达到特征提取的目的。针对自编码神经网络存在计算量大的问题,引入了卷积神经网、池化等概念。对滑动窗口检测法所产生的大量的待检测图像集进行特征提取将严重影响人体检测的速度。为此,利用深度图像中深度值的分布具有集中性的特点,在检测前对目标所在的可能位置进行预测,再针对这些目标可能集进行特征提取和分类,可以有效的提高人体检测速度。算法在SZU Depth Pedestrian数据集上得到了验证。     

室内残留甲醛气体污染检测技术研究与仿真

研究室内污染性气体准确检测问题.室内甲醛挥发速度较快,残留的气体由于含量过少,长时间的挥发会导致污染气体特有的气味特征信号衰减,造成信号检测困难.传统的气味检测方法需要根据明显的气味特征信号建立高斯识别模型,一旦房间静置时间过长,引起气味特征淡化、信号衰减,使模型无法准确检测正确信号,造成识别困难.为解决上述问题,提出了一种加强型神经网络的室内污染气体检测方法.对采集的刺激性污染气体气味特征信号进行滤波处理,去除外界因素对于污染气体特殊信号的干扰,建立加强型神经网络数学模型,运用特征强化的方法对室内污染气体含量进行检测.实验结果表明,改进算法提高了室内刺激性污染气体含量检测的准确性.     

基于视觉图像的水利工程质量检测研究与仿真

针对远程采集的水利工程图像,受到外界环境因素的干扰,图像中的关键细节特征点存在缺失,造成图像质量差。检测特征中信息丢失会导致水利工程质量检测准确率过低。为了解决上述问题,提出了一种误差补偿神经网络的水利工程质量图像检测算法,利用神经网络数学模型获取质量检测结果,再根据多层误差网络检测的结果进行误差反馈补偿,提高了水利工程质量图像检测的准确率。实验表明,该算法能够提高检测准确率,取得了令人满意的效果。     

基于卷积神经网络的交通标志检测

针对自动驾驶场景下,提高交通标志检测速度和准确率的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的交通标志检测算法,与传统的图像检测算法相比拥有明显的优势。首先解析影响交通标志检测准确性的因素,并对算法提出了两项改进:使用101层的残差网络作为特征提取的基础网络以获得高精度的特征提取和物体检测,同时优化网络的区域候选框特征提取方式以提高交通标志图像的检测效果。在GTSDB德国交通标志检测基准数据集上的实验结果表明,该算法实现在复杂背景下交通标志的精准检测。     

基于改进神经网络算法的PM2.5污染信号分析检测

当前为了保证污染信号分析的精度,在对PM2.5污染进行检测的过程中,需处理的数据量过大,导致经典神经网络方法遇到矛盾数据时,需要花费大量的数据校验时间,收敛速度下降,检测效率大幅降低,提出一种基于改进神经网络算法的PM2.5污染检测方法,在分析标准神经网络算法的基础上,允许信号跳变精确度范围内,在层与层之间引入容错性变量,同时在计算阈值的过程中融人松弛变量,提高收敛速度;避免神经网络陷入局部最优解;采用改进神经网络算法,通过不断调整网络的权值以及污染阈值,对PM2.5污染信号进行高效检测;以飞利浦公司的新一代检测系统为测试器材,测试结果表明,采用所提方法得到的PM2.5污染检测效率明显提高.     

ELM优化的深度自编码分类算法

针对自编码神经网络训练时间长的问题,提出了一种改进的深度自编码神经网络算法。首先利用极限学习机(extreme learning machine,ELM)作为自编码块,构建多层自编码神经网络,以提高分类准确率。采用ELM能避免大量的迭代过程,减少网络训练时间。其次为实现分类,在各输出层中加入标签节点,对实际输出与各样本的期望标签进行比对,使原始的自编码无监督学习转化为监督学习过程,从而在深度学习的过程中实现分类训练。为验证该方法的有效性,在多个UCI数据集中进行广泛的测试。实验结果表明,与其他自编码网络和RBF(radial basis function)神经网络相比,该方法取得了良好的分类准确率,并且有效提高了训练速度。     

基于改进DenseNet网络的肺结节检测仿真

针对目前基于神经网络的肺结节检测算法存在准确度低、耗时长的问题,提出了一种基于改进DenseNet网络的肺结节检测模型,通过在稠密神经网络的稠密块中采用分组卷积的方式来优化网络结构,减少网络参数的同时丰富了提取图像特征数量,避免卷积过程中梯度消失问题,提高了肺结节检测效率.之后将模型在LIDC-IDRI数据集上进行仿真...     

基于图像的高炉风口燃烧充分性检测方法研究

研究高炉燃烧效率检测问题,提高检测的准确性。针对高炉风口中火焰受到不定风向影响,火苗像素出现随机性方向波动时,建立的像素模型发生变形,造成图像失真。传统的图像的燃烧充分性检测方法过于依赖充分的像素模型,造成对锅炉内可燃物质燃烧充分性检测准确度不高。为了解决上述问题,提出了一种基于神经网络的火焰燃烧充分性检测方法,选取与火焰燃烧充分性直接相关的多个特征作为神经网络的输入向量,通过对样本的多次迭代训练去除风向突变引起的微小脉动的影响。仿真结果表明,改进方法能够有效避免风向突变对像素波动造成的影响,提高了检测的准确性,取得了满意的结果。     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.