深度学习的MPCANet火灾图像识别模型设计

针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析（Multilinear Principal Component Analysis,MPCA）深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。     

GA-CRBF网络板形识别的DSP实现

针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题, 将云模型引入RBF神经网络, 提出一种新型板形识别模型。MATALB仿真结果表明: 新型GA-CRBF网络正确识别出板形缺陷, 识别精度比传统的RBF网络提升73%, 抗干扰性也提升了83%。将GA-CRBF网络写入DSP芯片中运行后, 正确识别出缺陷板形, 验证了其工程应用的可行性, 为神经网络推广应用到实际工程中提供了依据。