【摘要】：園林害蟲的防治任務是生態(tài)環(huán)境保護中最重要的工作之一。隨著退耕還林以及城鎮(zhèn)綠化政策的發(fā)展,人們對生活環(huán)境的要求不斷提高,園林植物的害蟲防治顯得尤為重要。園林害蟲的種類繁多,人工識別的成本頗高,同時難度頗大。隨著計算機視覺技術的興起,很多方法都被應用到識別園林害蟲圖像中,并且在害蟲圖像識別、分類的任務上取得了較好的成果,其中包括一些傳統(tǒng)的圖像特征提取方式,如:視覺詞袋框架(bag-of-words,BOW)以及SIFT(Scale Invariant Feature Transform)特征檢測等。近幾年來,伴隨著深度學習的發(fā)展,各種深層次的網絡結構逐漸進入人們的視線,其中卷積神經網絡(Convolutional Neural Network,CNN)被廣泛應用于各種的分類任務中。由于CNN能夠自動的提取圖像中的特征,并且隨著不斷的訓練,能夠提取出高級、抽象的特征,因此具有較強的表達能力,取得了更好的分類效果。傳統(tǒng)的CNN中的權重參數是使用點估計來表示,也就是所有的權重都是某個確定的數值,并且通過反向傳播等方法更新權重值。訓練過程中使用dropout以及正則化等技術來防止出現(xiàn)過擬合現(xiàn)象,在實際應用中取得了較好的效果。但是從概率學習的角度來看,傳統(tǒng)的CNN也存在著一定的弊端,例如:少量數據集上容易發(fā)生過擬合現(xiàn)象,并且對于訓練集中沒有訓練的類別的數據,CNN會做出過于自信的分類結果,無法很好的的評估訓練數據中的不確定性,在一定程度上缺少泛化能力。本文提出一種基于貝葉斯方法的卷積神經網絡(Bayesian Convolutional Neural Network,BCNN)對常見的幾種園林害蟲圖像進行分類,傳統(tǒng)的CNN中的每個權重參數都是點估計的形式,也就是權重值是某個值。但是在BCNN中,每個權重都是以一個高斯分布的形式來進行初始化,通過變分等方法來近似后驗分布、訓練網絡,更新每個概率分布的參數。為了降低模型的參數量以及訓練成本,本文還提出了使用模型參數修剪的方法。由于BCNN中的每個權重參數都是以高斯分布的形式進行初始化,并不是傳統(tǒng)的點估計形式,最終得到的模型相當于多個模型的平均,所以提高了網絡的泛化能力,同時也有效避免了過擬合現(xiàn)象的發(fā)生。最后,使用相同的害蟲圖像數據集在不同的方法上進行比較,根據得到的實驗結果證明了本文所提出方法的有效性。
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183;S436.8
【圖文】：

網絡概述 網絡（ArtificialNeuralNetwok，ANN）是依據生物的大腦來的，大量連通的神經元一起相互協(xié)作來解決復雜的問題于人的學習過程，在生物系統(tǒng)中學習涉及對突觸連接的調中的權重更新，并且通過對權重的不斷更新提高網絡的效器描述神經元如何在人類的大腦中發(fā)揮作用的數學模型。如結構，其中 等表示輸入值， 等表示每個輸入的權重參每個節(jié)點不同的強度，將每個輸入和權重的乘積加和的結可以使激活函數進行上下的移動。將得到的結果作為激活神經元的輸出結果為 (∑ + )。感知機是一種線性的還可以用于監(jiān)督學習，它有助于對給定的輸入數據進行分

第 2 章 相關理論技術介紹經過一個激活函數才能輸出作為下一層神經元的輸入，激以應用到非線性的模型中。紹幾種常見的激活函數：id 函數：sigmoid 的函數式如公式（2.3），其函數圖像為圖范圍控制在 0-1 之間，當神經網絡進行反向傳播時，若函梯度將會接近 0。當梯度接近 0 時，會導致神經元的權再繼續(xù)更新，這種情況叫做梯度消失，會影響網絡的訓出值都大于 0，會導致 zigzag 現(xiàn)象的發(fā)生。f( ) =( )……………………………………

圖 2.3 sigmoid 激活函數活函數：ReLu 的函數式如公式（2.4），其函數圖如圖 2值 = 0，當 ≥ 0時， = ，ReLu 可以使網絡快速收也會出現(xiàn)梯度消失的情況。ReLu 更加適用于隱藏層的f( ) = max(0, )……………………………………

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經網絡拐點預測法[J];金融經濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經網絡大會述評[J];國際學術動態(tài);1996年01期

3 吳立可;;脈沖神經網絡和行為識別[J];通訊世界;2018年12期

4 林嘉應;鄭柏倫;劉捷;;基于卷積神經網絡的船舶分類模型[J];信息技術與信息化;2019年02期

5 俞頌華;;卷積神經網絡的發(fā)展與應用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經網絡的通用理論建造基石[J];世界科學;2019年04期

7 鮑偉強;陳娟;熊濤;;基于進化神經網絡的短期電力負荷預測研究[J];電工技術;2019年11期

8 陳曉燕;;淺析簡單神經網絡的發(fā)展及簡單模型[J];數字技術與應用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數字技術與應用;2018年04期

10 張庭略;;基于硬件的神經網絡加速[J];通訊世界;2018年08期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2792721