深度学习在测绘工程地形识别与分类中的应用

随着现代测绘技术的发展,地形识别与分类在测绘工程中扮演着越来越重要的角色。传统的地形识别与分类方法主要依赖人工解译和专家知识,存在效率低、主观性强等问题。近年来,深度学习技术在计算机视觉、自然语言处理等领域取得了显著进展,为解决这一问题提供了新的思路。本文探讨了深度学习在测绘工程地形识别与分类中的应用,分析了其优势与挑战,并提出了未来的研究方向。

基于匹配自主学习的网络信息识别与分类算法

为提升网络信息的识别与分类准确率,针对海量网络信息的高维、高噪等特点,提出基于匹配自主学习的网络信息识别与分类算法。首先,利用支持向量机对网络信息进行识别;然后,通过奇异值分解算法构建检索矩阵进行奇异值分解、相关性查询;接着,计算网络信息的相似性匹配度,并将匹配度较高的网络信息输入到卷积神经网络中进行学习、训练;最后,输出网络信息分类结果。实验结果显示,该算法网络信息识别准确率达到97.90%以上,针对不同类别网络信息的平均分类准确率为98.04%,证明了该算法在实际应用中的有效性。

相控阵超声检测缺陷识别与分类研究进展

相控阵超声技术是近年来无损检测领域的重点研究方向之一,已经取得了飞速发展,其中基于相控阵超声成像的缺陷识别与分类是研究的热点之一。概述了相控阵超声无损检测的基本原理,介绍了具有代表性的缺陷识别与分类算法,包括支持向量机、人工神经网络、遗传算法、神经进化算法和基于深度学习的算法。最后指出了现有缺陷识别与分类算法面临的挑战,并结合实际提出了相控阵超声缺陷识别与分类的发展方向。

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势,将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取,提出了基于BP神经网络进行缺陷识别与分类的方法,编制了带钢表面缺陷的识别与分类软件。分类测试表明,该软件有较好的识别与分类效果。

基于E0-1 Hyperion影像地物识别与分类不同方法的效果比较

以广州市大学城为研究区域裁剪出Hyperion影像,直接从影像提取地物端元,采用光谱角匹配、无约束和全约束的线性混合像元分解等3种方法进行地物识别与分类,分别生成地物分类图;选用Kappa系数和总精度两个参数,对比不同方法的地物识别效果.结果显示,分类图像的总精度均大于60%,Kappa系数在0.61—0.80,表明将高光谱影像用于地物识别与分类,可获得好的地物识别与分类结果.其中,光谱角匹配和全约束的线性混合分解法得到的两个参数明显更大.就地物类型而言,3种方法都对自然地物有较好的识别与分类效果,如林地和草地的用户精度高于80%,裸地和水体的值也高于50%.对人工地物的高反射率表面也有好的识别效果,用户精度达100%;对老建筑屋顶以及低反射率表面的识别效果不佳.尽管如此,光谱角匹配和全约束的线性混合像元分解法对于识别建筑屋顶的水泥混凝土表面表现出优势,用户精度大于71.4%.

核域多重分形谱感知的流识别与分类

目前关于流识别与分类的主流技术是基于统计学方法,其核心环节是提取有效的特征属性集,但这种方法的假设条件是,特征互不相关、数据也互不相关。正因为这种假设的不合理性,使得分类效果和识别性能有限,引入以数据相关性为核心的多重分形理论,从根本上摈弃独立假设的局限性与狭隘性,实现流的有效分类。为此,定义并论证流的分形谱,在此基础上推导流的估计谱,然后在定义的核域内基于灰色关联度进行估计谱分析,继而脱离特征提取过程实现流的分类识别。最后通过系列实验显示流的分形性和分形谱,并进行实际分类效果的纵向比较和横向比较。研究结果表明,基于多重分形理论的流分类识别方法,有效弥补了统计学方法所不可避免的独立假设缺陷,因此具有强大而高效的识别未知流的能力,也特别适合于动态多变的在线识别。

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法。首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能。实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1%,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求。

基于SIFT-SVM的发动机主轴承盖识别与分类

机械零部件的识别与分类任务是制造业自动化生产线的关键环节。针对发动机主轴承盖混合清洗后的分类,通过分析发动机主轴承盖零件的实际特征,提出基于SIFT-SVM的主轴承盖分类识别方法。该方法首先提取训练数据集图像的所有尺度不变(SIFT)特征向量,采用K-means聚类方法,将所有的特征向量聚类成K个分类,并将其代入词袋模型(BoW)中,使用K个"词汇"来描述每一张训练图像,从而得到图像的BoW描述。且以每张图像的BoW描述作为训练输入,使用支持向量机(SVM)训练主轴承盖的分类模型。实验结果表明:在标定的照明条件下,主轴承盖零件的识别率可达100%,单个零件识别时间为0.6 s,验证了该算法的有效性和高效性。

污染矿区共同治理利益相关者识别与分类——以西南地区“锰三角”为例

对西南地区"锰三角"共同治理利益相关者进行识别分析,以确定污染矿区共同治理利益相关者分类。结果表明:"锰三角"共同治理利益相关者主要有政府部门、锰矿企业、当地居民、新闻媒体、锰矿行业组织或协会、研究和咨询机构等。其中,政府部门、锰矿企业、当地居民为决定型利益相关者;新闻媒体、锰矿行业组织或协会为预期型利益相关者;研究和咨询机构为潜在型利益相关者。

基于Mallab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6．5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案。

基于支持向量机的枪弹外观缺陷识别与分类

为解决枪弹外观缺陷自动分类问题,提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点,从几何、灰度、纹理三方面进行了特征提取,在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型,并对特征参数进行了优选;研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响;通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较,结果表明,在小样本下,基于支持向量机的枪弹外观缺陷分类器性能更好。

高职《园林植物识别与分类》实训课程教学设计与实施

针对高职园林技术专业人才需求的总体要求,打破以往的以教师讲授为主的传统教学模式,大胆采用将课堂设在自然环境中,以学生为主导、教师为引导和指导的＂现场＂教学模式,得出树木的识别口诀,激发学生的学习兴趣,提高教学效果显著。

支持向量机的舰船图像识别与分类技术

研究支持向量机的舰船图像识别与分类技术,有效提取图像特征,提升舰船图像识别与分类效果。通过图像灰度化处理彩色舰船图像,获取灰度舰船图像;利用Gamma校正处理灰度舰船图像亮度,获取亮度适中的灰度舰船图像;利用方向梯度直方图特征提取方法,提取灰度舰船图像特征;通过局部线性嵌入算法降维处理图像特征,缩减图像识别与分类计算量;在支持向量机内输入降维后图像特征,输出舰船图像识别与分类结果。实验结果表明:该技术可有效灰度化与Gamma校正处理原始舰船图像,降低光照变化与局部阴影对特征提取的影响;该技术可有效提取船舶图像特征;在舰船图像模糊程度不同时,该技术均可精准识别与分类舰船图像,最高识别与分类误差仅有0.04。

基于改进S变换和GA-SVM的电能质量扰动识别与分类

电能质量扰动的准确识别与有效分类是改善与治理电能质量问题的前提,针对当前电能质量扰动识别与分类存在的不足,提出一种基于改进S变换和遗传算法(genetic algorithm,GA)优化支持向量机(support vector machine,SVM)的电能质量扰动识别与分类方法。首先,在S变换高斯窗函数中引入调节因子,依据信号特征分频段选择调节因子,以提高电能质量扰动分析的时频分辨率。其次,结合S变换模时频矩阵提取时频特征曲线,构建电能质量扰动初始特征集。最后,基于遗传算法进行扰动特征优选和支持向量机参数优化,并利用GA-SVM完成电能质量扰动分类。对14种电能质量扰动的分类进行测试,验证所提方法的有效性与鲁棒性。

谈模式识别与分类技术及金融业的“知识经济

一、从数据富矿中淘金人类的特点之一是能应用概念进行逻辑推理和判断，然而，在现代市场经济和“信息爆炸”的年代，经济和金融界的分析人员往往需要面对大量的原始数据，这些原始数据常常不是以文字或图形表示得比较清晰的概念，而是让人望而生畏的的数字集合。要从这类...

不同SAR参数湿地覆盖物识别与分类研究进展

SAR拥有良好的穿透性,并且对湿地植被响应灵敏,近些年在湿地中的应用发展迅速,利用SAR技术进行湿地覆盖物识别与分类研究更具优势.本文对SAR极化、波段两个参数在湿地识别与分类研究发展进行了总结,以期为今后SAR湿地研究提供参考.(1)全极化比双极化有更高的分类精度,其中同极化(HH/VV)比交叉极化(HV/VH)穿透水上覆盖植被的能力更好,具有更大的动态范围.(2)C波段穿透性较差,通常用于以禾本或苔藓植物为主的湿地监测,而穿透性较好的L和P波段则多用于水上植被覆盖较密集的湿地.

深度学习在肺炎CT图像分类识别中的应用研究

为提高肺炎CT图像分类识别的准确性和效率,本文采用网络模型DenseNet-121对CT图像进行分类识别。选取公开的肺炎CT图像数据集,首先进行数据预处理,然后利用该网络架构提取图像特征,并通过迁移学习优化模型性能。实验结果显示,该模型在正常和肺炎的识别上达到了高精度,提高了分类效率。

基于Swin Transformer的暴力敏感图像分类研究

随着互联网的普及,网络社交媒体平台的用户数量呈爆炸式增长。同时,相关平台上的音视频数据不断增多,其中的暴力敏感图像给公众的身心健康带来了极大危害。在此情况下,各大网络平台的内容安全审核工作越来越繁重,传统的人工审核方式显然无法满足实际需求。深度学习技术的发展为以上问题带来了新的解决方案,可对暴力敏感图像进行智能化识别。文章基于Swin Transformer模型进行了相关改进,构建了用于暴力敏感图像分类的SESTNet模型,并在综合数据集中对其识别和分类能力进行了验证。

新兴技术产业化障碍因素的识别及其分类:可持续转型视角

科学识别新兴技术产业化系统的障碍因素,明确不同障碍因素对其动态影响和作用路径,对提升新兴技术产业化成功率和贡献度具有重要意义.文章基于可持续转型(ST)视角解读了新兴技术产业化过程必须跨越两道鸿沟,通过文献分析法,对3篇具有代表性文献所提到的障碍因素进行归纳和组合,再通过专家打分评价和访谈,最终确定ST视角下新兴技术产业化的20个障碍因素,并将其分为环境层面、供给层面和需求层面3大类型.在此基础上,提出了障碍因素具有动态性的特征,应该针对新兴技术创新生态位所处的不同阶段采取匹配的生态位策略.

基于卷积神经网络与Bayesian决策的图像识别与分类记忆建模

当前热门图像分类方法大多侧重在分类能力,忽视识别新事物,然而人类认识事物时侧重认识,只在细小之处重视分类,这一点与人类记忆机制密切相关.尽管目前有许多记忆建模理论被相继提出,但大多以单词列表的形式学习,对自然图像列表的研究有限.基于此,本文提出了基于卷积神经网络与Bayesian决策的图像识别分类记忆建模方法,首先利用卷积神经网络提取图像特征,并采用二进制形式存储特征向量;然后进行视觉图像的表达,存储与提取记忆建模,将测试图像特征向量与所有已存储特征向量进行匹配对比,计算似然率值;最后在所有似然率基础上计算测试图像是新类别的几率,若该几率大于某个阈值则判别其为新类别;反之,利用Bayesian决策规则进行.图像分类.在Caltech-101与Caltech-256数据库上的实验表明所提方法能很好地应用于图像识别分类任务中.其击中率比目前代表性的稀疏表达分类(SRC)以及极限学习机(ELM)方法高,且虚报率比其他两种方法低的多.