基于自编码的高光谱图像波段加权分类网络研究

高光谱图像(HSI)具有高维度的光谱波段信息,但也包含许多冗余光谱波段.在进行高光谱图像分类时,不同波段对分类任务的贡献存在差异性.为了高效利用光谱波段中的特征信息,提出一种新的编解码波段加权网络(EBW).该网络利用注意机制,根据不同波段对分类性能的贡献自适应地进行波段加权,从而提高输入数据中光谱信息的有效性.在EBW中,首先获取输入HSI的光谱波段信息,再利用自编码器提取的波段相关性和深度特征生成波段权重;然后对输入HSI的光谱波段进行加权;最后将加权后的图片输入到分类网络中得出预测结果.在PaviaU和Salinas数据集上的实验结果表明,与现有基于深度学习的加权方法相比,该方法具有更好的分类性能.

基于生成对抗网络的浮选加药过程建模

针对矿物浮选过程中浮选药剂添加量与泡沫图像特征之间关系复杂且难以准确建模的问题,提出一种基于生成对抗网络的浮选加药过程智能建模方法.利用生成对抗网络的样本对抗思想,通过判别器计算加药过程中泡沫图像变化前后的特征差异,生成器学习到不同药剂添加量情况下的泡沫图像特征.利用工业现场采集的浮选加药数据进行实验验证,结果表明,所提浮选加药过程建模方法能够有效构建加药量和泡沫图像之间的关系,在不同工况下模型得到的加药后泡沫图像特征均与实际的加药后泡沫图像一致.

基于TensorFlow深度学习的车牌识别算法研究

基于TensorFlow深度学习平台在Python开发环境下搭建8层卷积神经网络模型。将采集自全国的原始的车牌图片进行定位、分割、归一化化处理后投入卷积神经模型进行训练,并采用RELU激活函数来提高模型收敛速度,在经过200次迭代训后模型精度收敛于99. 95%,实际测试中随机抽取全国各省份的车牌进行实际预测检验,车牌汉字字符均预测精度为99. 86%、英文字符均预测精度99. 70%、数字部分均预测精度99. 10%、车牌整体预测精度99. 30%。

光流法和显著性相结合的动态背景下运动目标检测方法

针对运动背景下目标检测困难的问题,在现有运动目标检测算法的基础上,结合显著性检测算法在图像处理和目标检测上的特点,提出了一种结合光流法与显著性特征的运动目标检测算法。首先利用基于重构与分割的显著性检测方法,快速对图像中的有用对象和信息进行提取,同时将不感兴趣的信息进行排除;然后结合光流法对运动信息的敏感性,采用加权融合的方式来减少图像中大量的背景噪声信息,提取完整的运动目标。实验结果表明,提出的算法很好地将运动目标信息从复杂的运动背景中提取出来,在保留目标区域的完整性基础上,降低了背景运动所带来的影响,具有较好的稳定性和鲁棒性。

多点无线智能环境检测系统设计

文章设计了一个多点位无线智能环境监控系统,系统由检测节点、控制主机和用户端三个部分组成。检测节点采用超低功耗微控制器STM32L151作为处理器,由温湿度、光照强度、二氧化碳浓度等传感器组成传感网络,并采用CC1101组建443M无线通信网络,实时将检测节点数据传给主机;主机使用STM32F103作为中央处理器,外接TFT真彩液晶屏和7279键盘,实现人机交互;外接GPRS模块将主机接入无线Internet,用户通过接入网络的计算机和手机等终端进行实时监控。样机经过长时间反复实际测试,具备性能稳定、安装和操作简单、功能完备的特点,可以用在各个需要进行环境参数实时检测的场所,具有很好的实际应用价值。

基于自适应变量加权的汽油辛烷值预测方法

针对汽油精制过程中控制变量之间非线性和强耦联性,产品汽油中辛烷值难以测定的问题,提出一种基于自适应变量加权的汽油辛烷值预测方法.首先,利用一种新颖的变量加权模块捕获变量之间的相关性获取变量权重,通过自适应变量加权的方式提升主要变量的重要性,抑制其他次要变量的作用;然后,考虑到汽油脱硫过程对辛烷值的影响,输入加权激活后的变量到辛烷值预测模块,模型同时输出辛烷值和硫含量的预测结果;最后,基于工业数据进行模型验证,结果表明,与无变量加权模块的神经网络预测方法,基于随机森林的神经网络预测方法和基于变量加权堆叠自编码器的预测方法相比较,所提出的自适应变量加权汽油辛烷值预测方法具有更高的预测精度,可以用来优化汽油精制过程的操作条件.