共查询到10条相似文献,搜索用时 15 毫秒
1.
为解决传统渔场渔情预测方法在处理高维复杂海洋数据时存在人工干预较多、拟合困难、精度不高的问题,提出了一种基于双模态深度学习的渔场渔情预测方法.首先,该方法将不同海洋环境因子在5° ×5°渔业作业区域范围内按照空间相对位置映射为三维矩阵.然后,分别使用卷积神经网络模型(CNN)和深度神经网络模型(DNN)对海洋环境因子和时空因子2种异构数据进行特征提取.最后,将基于时空信息的深度神经网络模型与卷积结构进行特征融合,再将融合后的特征经过全连接层进行分类.试验结果表明,双模态深度学习模型对南太平洋长鳍金枪鱼中心渔场的渔场渔情预报率达到了89.8%,较其他渔场渔情预报模型精度提高10%~30%.同时由于该模型使用卷积神经网络,可以对任意空间分辨率的海洋环境因子进行特征提取,省去了手动匹配不同空间分辨率的过程,减少了人工干预,对南太平洋长鳍金枪鱼的渔业作业与渔场渔情预报有极高的指导意义. 相似文献
2.
为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题, 提出基于融合注意力机制的卷积神经网络 (CNN) -双向门控循环单元网络 (BiGRU) -条件随机场 ( CRF) 网络模型进行外来海洋生物命名实体识别, 并构造词向量、词性特征向量等特征作为网络模型的联合输入, 以提升网络模型识别效果... 相似文献
3.
受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。 相似文献
4.
针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。 相似文献
5.
【目的】解决由于模态参数辨别的不确定性,以及虚假模态干扰造成的风机叶片结构损伤识别精度不高的问题.【方法】采用以深度信念网络提取的模态参数特征向量作为标识量的损伤检测方法.首先分别获取ANSYS仿真和实验条件下风机叶片的模态参数;然后利用深度信念网络提取模态参数特征向量作为损伤标识量,检测多种工况下的风机叶片损伤,并与传统BP神经网络方法进行对比;最后搭建实验平台,在实验条件下验证方法的有效性.【结果】基于深度信念网络的损伤识别方法相比传统BP神经网络精度更高,网络训练时间更长.【结论】将深度信念网络提取的模态参数特征向量作为BP神经网络训练的输入向量,可以减小噪声和虚假模态信息等因素对损伤识别结果的影响,提高损伤识别的精度. 相似文献
6.
7.
为了精准获取河南省冬小麦空间分布及面积数据,基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集,通过设置不同的阈值条件获得高质量的样本数据,采用深度神经网络(DNN)、随机森林(RF)和支持向量机(SVM)算法,自动从NDVI时序数据中提取冬小麦特征,分别训练出非线性模型,在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明,基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%,总体一致性为97.97%;基于RF、SVM算法的精确率分别为91.51%和89.31%,总体一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明显的提升,能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明,运用中等分辨率长时间序列影像结合DNN算法,在一定程度上可以更准确识别大区域的农作物信息。 相似文献
8.
深度学习在大田种植中的应用及展望 总被引:2,自引:0,他引:2
深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。 相似文献
9.
李慧 《金陵科技学院学报》2021,37(4):21-27
金属离子锌与蛋白质结合具有重要的生物学功能,传统的生物实验测定和机器学习预测方法具有成本太高、费时费力以及预测准确率低等问题.利用深度学习相关技术,基于蛋白质序列特征,设计基于深度卷积神经网络的锌结合蛋白质作用位点预测模型.实验结果表明:1)新提出的预测方法中马修斯相关系数(MCC)提高了近5%,其他性能如指标召回率、... 相似文献
10.
基于性能改善深度信念网络的棉花病虫害预测方法 总被引:1,自引:0,他引:1
针对与棉花病虫害发生相关的环境信息数据具有大容量、多样性的特点,提出一种基于环境信息和改进深度信念网络(MDBN)相结合的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机(RBM)网络和1个BP网络组成。利用MDBN提取与病虫害发生相关的特征变量,并利用BP神经网络进行病虫害预测。该方法的特点是将自适应学习率引入到DBN的无监督预训练阶段,并从训练数据批次的选择、参数调优的迭代周期以及在线学习训练等多个方面对MDBN的性能进行优化和改善,从而能够利用MDBN充分挖掘数据集中病虫害预测的特征向量,提高网络的预测精度。对实际棉花病虫害的预测结果表明,MDBN比传统预测模型具有更高的预测精度,是一种有效的农作物病虫害预测方法。 相似文献