利用深度学习进行GF-6影像枣园检测识别

针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。

基于细胞神经网络的伪随机数生成方法

为了克服有限精度效应对混沌系统的退化影响,改善所生成随机序列的统计性能,设计了一种新的基于六维CNN(细胞神经网络)的64 bit伪随机数生成方法。在该方法中,通过控制六维CNN在每次迭代过程中的输入输出,改善了混沌退化对随机数的性能影响,同时,通过与Logistic映射所生成的随机序列和可变参数进行异或处理,有效避免了生成序列的重复出现,扩大了密钥空间和输出序列的周期。以新方法设计的PRNG(伪随机数生成器)易于在软件中实现,每次可生成64 bit的伪随机数,生成速率快。测试结果表明,该方法生成的伪随机序列可以完全通过随机数检测标准NIST SP800-22,因而具有很好的随机性,可用于保密通信等信息安全领域。