一种基于遗传算法优化神经网络的古陶瓷分类方法

古陶瓷断源断代分析的需求提高,促使古陶瓷鉴定发展。而目前古陶瓷的技术鉴别方法主要是热释光技术和成分判别法,有一定的局限性。笔者运用BP神经网络构建模型以古陶瓷的化学元素为特征,对222组古陶瓷进行科学的分类。但由于BP神经网络存在依赖初始值选择等缺陷,笔者将通过遗传算法和BP神经网络的结合,在优化过程中改进BP神经网络,再通过混淆矩阵、ROC、AUC等模型评价指标来对遗传算法优化后的BP神经网络模型进行性能的评价。实验结果表明,遗传算法优化BP神经网络对古陶瓷分类具有准确率高且稳定的特点,是一种快速、有效且准确的分类方法,具有一定的实用价值。

一种基于粒子群算法优化神经网络的古陶瓷分类方法

数据挖掘技术对古陶瓷的断源断代具有非常重要的意义,而由于人工神经网络具有逼近任何非线性映射的特点,所以具有不错的容错性和鲁棒性,能有效地处理复杂问题。本文运用误差反向传播神经网络对元明清三代古陶瓷数据进行分类。针对误差反向传播神经网络中存在的弊端,使用粒子群优化算法对神经网络进行优化,然后通过混淆矩阵、受试者工作特征曲线、AUC值等评价指标对优化后的模型进行评价。实验表明,粒子群算法优化后的神经网络在古陶瓷分类问题中有更好的分类效果。

基于改进E-EfficientNet的古陶瓷纹饰分类模型

为进一步提高古陶瓷纹饰分类精度,提出一种基于改进EfficientNet的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0,有效捕获通道间的交互信息,利用跳跃连接在特征提取的最后一层加入ECA模块,获得古陶瓷纹饰注意力特征图,并利用迁移学习和Adam优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明,改进后的E-EfficientNet模型在古陶瓷纹饰数据集上的识别准确率达到了99.26%,较改进前提高了2.48%;与同类轻量化模型ShuffleNet-V2和MobileNet-V3对比,识别准确率分别提高了2.10%和2.91%;与其他经典模型VGG、ResNet对比,不仅参数量大幅度减少,识别准确率均明显提高,可有效用于古陶瓷纹饰分类。

基于紫外–可见–近红外光谱特征映射矩阵的古陶瓷分类方法

为有效实现古陶瓷无损分类识别,提出了一种基于光谱特征映射矩阵古陶瓷分类方法。基于采集的紫外–可见–近红外反射光谱数据,采用Sigmoid映射将其变换为可在二维特征空间反映古陶瓷纹理及其结构关系的光谱特征映射矩阵。利用Sigmoid函数良好的非线性特性,平滑光谱数据中存在的异常值,以提高二维光谱特征映射矩阵的区分度。采用滑动窗口检测机制,通过扫描光谱特征映射矩阵,检测并定位异常光谱数据。为避免因直接剔除异常光谱数据易导致光谱信息丢失,采用邻域矩阵插值法计算近似正常值并修正异常光谱数据。在此基础上,基于卷积神经网络对二维光谱特征映射矩阵数据进行分类,实现对古陶瓷的无损识别。通过与同类古陶瓷分类方法的客观定量对比,实验结果表明所提方法有效、可行。