基于迁移学习和特征融合的小麦不完善粒识别研究
这是一篇关于小麦不完善粒识别,迁移学习,特征融合,深度信念网络的论文, 主要内容为小麦不完善粒是指受到损伤但尚有使用价值的小麦籽粒,通常包括病斑粒、生霉粒、出芽粒、虫蚀粒、破损粒。小麦作为世界上重要的粮食作物,在粮食的生产、流通和消费等环节均具有重要的地位。小麦不完善粒检测是小麦质量检验检工作中最常见的问题之一,不完善粒是衡量小麦质量优劣的关键指标。实现对小麦不完善粒识别技术的深入研究对正确评定小麦质量有着重大的意义。本课题对小麦不完善粒识别问题进行研究,旨在寻找一种优秀的方法实现小麦不完善粒更为简捷、精准的识别,以推动小麦的生产、流通工作。具体研究内容包括以下几个部分:(1)针对在实际的应用场景下,小麦不善粒识别数据较少所产生识别率不佳的问题,引入迁移学习方法。利用基于大型公开数据集Image Net的预训练深度卷积神经网络VGG-16、VGG-19和Res Net50进行小麦特征提取。保留预训练网络的特征提取层,将原有的顶层网络替换为自主设计的顶层网络。实验表明,迁移学习方法可有效提高小麦不完善粒的识别效果。(2)针对单个模型所提取的特征信息不全面的问题,提出了多模型特征融合方法。将VGG-16、VGG-19和Res Net50所提取的特征进行融合,使提取的小麦特征信息更加丰富、全面。将小麦图像分别输送至三个模型,并进行小麦特征提取。然后将三个模型所提取的特征进行融合。实验结果表明,特征融合可以实现多特征优势互补,从而使模型获得更好的识别性能。(3)针对Softmax分类器对高维数据分类效果不佳的问题,提出采用深度信念网络(DBN)对融合特征进行分类的方法。本文构建了基于迁移学习的CNN-DBN小麦不完善粒识别模型。保留预训练网络的特征提取层,将原有的顶层网络替换为DBN网络。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力。实验证明,所提模型较传统模型有明显的性能提升。
基于机器学习的自动发音检错系统研究
这是一篇关于发音检错,声学特征,随机森林,深度信念网络,Java web的论文, 主要内容为随着在线学习的兴起,计算机辅助语言学习也成为越来越多语言学习者的选择,作为计算机辅助语言学习的两大核心,发音错误检测和诊断反馈能够对学习者的发音问题进行错误分析并给出发音纠正建议,从而提高语言学习者发音水平和学习效率。相对于受到时空限制的课堂语言教学,计算机自动发音检错有着实时、便捷、高效等诸多优点。目前大多数发音检错的学术研究只注重了发音错误的检测,而忽略了反馈纠正的重要性,为了更加直观的对学习者给出发音纠正建议。本文针对学习者由于发音动作的不标准导致的音素级别发音错误类型进行了检错研究,结合机器学习算法对舌位升高(Rising)、降低(Lowing)、偏前(Fronting)、靠后(Backing)和音素拉长(Lengthing)、缩短(Shorting)六类错误进行分类检错实验。并利用互联网技术对实验中的发音检错模型进行Web系统集成设计开发了自动发音纠错系统。论文首先在评估了声学特征以及语音语料库后提出了基于MFCC-RF的发音分类检错模型。采用提取的39维梅尔倒谱系数(MFCC)声学特征作为随机森林(RF)分类器的输入来构建分类检错模型。通过实验结果分析构建的MFCC-RF发音检错模型在Raising、Lowing和Shorting三类错误类型上实现了较高的分类检错准确率。但是,由于发音错误类型样本数据并不是均衡分布,其中另外三种错误类型样本数据相对较少,因此基于MFCC-RF的发音分类检错模型只适用于Raising、Lowing和Shorting三类错误类型的检测,检错范围较小。深度学习近年来被证明非常适用于模式识别与复杂特征的提取。为了在基于MFCC-RF的发音分类检错模型的基础上扩大发音错误检测类型的范围,并进一步提高检错准确率。通过深层神经网络提取声学特征中所含有的深层隐藏信息作为机器学习分类算法的输入。提出基于DBN-SVM的发音分类检错模型,同时采用支持向量机的OneClass思想来解决样本数据不均衡问题。基于DBN-SVM的发音分类检错模型新增了对Fronting、Backing和Lengthing等三种错误类型的检测,完成全部六种发音错误类型的分类检错,并通过实验验证了模型的有效性。然后,论文结合互联网电子化教学方式的流行趋势,采用Java Spring框架结合网页相关技术对发音检错模型进行Web系统的初步设计与开发。实现了学习者自由、在线的进行发音纠错和提高的平台,为未来移动在线英语发音学习的发展奠定了一定的基础。最后对全文进行了总结与展望。阐述了本文自动发音检错系统构建中有待解决和完善的地方和下一步的工作方向。
基于迁移学习和特征融合的小麦不完善粒识别研究
这是一篇关于小麦不完善粒识别,迁移学习,特征融合,深度信念网络的论文, 主要内容为小麦不完善粒是指受到损伤但尚有使用价值的小麦籽粒,通常包括病斑粒、生霉粒、出芽粒、虫蚀粒、破损粒。小麦作为世界上重要的粮食作物,在粮食的生产、流通和消费等环节均具有重要的地位。小麦不完善粒检测是小麦质量检验检工作中最常见的问题之一,不完善粒是衡量小麦质量优劣的关键指标。实现对小麦不完善粒识别技术的深入研究对正确评定小麦质量有着重大的意义。本课题对小麦不完善粒识别问题进行研究,旨在寻找一种优秀的方法实现小麦不完善粒更为简捷、精准的识别,以推动小麦的生产、流通工作。具体研究内容包括以下几个部分:(1)针对在实际的应用场景下,小麦不善粒识别数据较少所产生识别率不佳的问题,引入迁移学习方法。利用基于大型公开数据集Image Net的预训练深度卷积神经网络VGG-16、VGG-19和Res Net50进行小麦特征提取。保留预训练网络的特征提取层,将原有的顶层网络替换为自主设计的顶层网络。实验表明,迁移学习方法可有效提高小麦不完善粒的识别效果。(2)针对单个模型所提取的特征信息不全面的问题,提出了多模型特征融合方法。将VGG-16、VGG-19和Res Net50所提取的特征进行融合,使提取的小麦特征信息更加丰富、全面。将小麦图像分别输送至三个模型,并进行小麦特征提取。然后将三个模型所提取的特征进行融合。实验结果表明,特征融合可以实现多特征优势互补,从而使模型获得更好的识别性能。(3)针对Softmax分类器对高维数据分类效果不佳的问题,提出采用深度信念网络(DBN)对融合特征进行分类的方法。本文构建了基于迁移学习的CNN-DBN小麦不完善粒识别模型。保留预训练网络的特征提取层,将原有的顶层网络替换为DBN网络。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力。实验证明,所提模型较传统模型有明显的性能提升。
基于双流卷积神经网络的人脸视频表情识别研究
这是一篇关于视频表情识别,双流卷积神经网络,深度信念网络,注意力残差网络,深度学习微服务架构的论文, 主要内容为在人脸视频的动态表情识别研究中,双流卷积神经网络能充分挖掘动态表情行为的静态特征和动态特征,被研究人员广泛地使用,并使表情行为研究工作取得了长足的进步。然而,在双流卷积神经网络中,由于时间流网络和空间流网络独自计算,所以它忽略了动态表情行为中静态信息和动态信息两者之间的关联性。为了进一步提高表情行为中静态特征和动态特征之间关联特性的利用率,对双流卷积神经网络的人脸视频表情识别进行研究,具体工作如下:(1)针对人脸视频表情识别中的时空建模问题,提出了一种基于深度信念网络(Deep Belief Network,DBN)融合的双流卷积神经网络的人脸表情识别模型。该模型将DBN引入到双流卷积神经网络的末端,对时空流网络提取的光流特征和空间特征进行融合建模,从而弥补了空间特征中时间信息缺失的不足,在此基础上设计了三种不同深度的基于DBN结构融合的双流卷积神经网络。在公开数据集CK+和Oulu-CASIA上进行了对比实验。结果表明,采用更深的DBN结构能较好地捕获融合特征之间的高度非线性关系。(2)针对深层DBN网络无法有效处理时序特征之间的自相关性,导致识别率不高的问题,提出了一种基于注意力残差的双流卷积神经网络的人脸表情识别模型。首先,利用自注意力机制和通道注意力机制捕获人脸视频中全局时序特征之间的自依赖信息,在深层DBN网络之前消除时序特征之间的自相关性。然后,结合残差网络(Residual Networks)设计了基于注意力残差的双流卷积神经网络,在公开数据集CK+和FER2013上进行了实验研究,表明了注意力残差模块可以有效解决表情信息在深层网络中丢失的问题。(3)搭建了基于视频流的课堂学情分析系统。针对深度学习模型部署繁琐、单体算法服务器吞吐量低和模型生命周期管理不完善等问题,在系统算法层设计了一种基于Tensorflow Serving的深度学习微服务架构。结合本文人脸表情识别模型对系统进行了自然场景下的人脸表情识别性能测试,结果表明了所提出的人脸视频表情识别模型在真实场景下的可应用性。
基于迁移学习和特征融合的小麦不完善粒识别研究
这是一篇关于小麦不完善粒识别,迁移学习,特征融合,深度信念网络的论文, 主要内容为小麦不完善粒是指受到损伤但尚有使用价值的小麦籽粒,通常包括病斑粒、生霉粒、出芽粒、虫蚀粒、破损粒。小麦作为世界上重要的粮食作物,在粮食的生产、流通和消费等环节均具有重要的地位。小麦不完善粒检测是小麦质量检验检工作中最常见的问题之一,不完善粒是衡量小麦质量优劣的关键指标。实现对小麦不完善粒识别技术的深入研究对正确评定小麦质量有着重大的意义。本课题对小麦不完善粒识别问题进行研究,旨在寻找一种优秀的方法实现小麦不完善粒更为简捷、精准的识别,以推动小麦的生产、流通工作。具体研究内容包括以下几个部分:(1)针对在实际的应用场景下,小麦不善粒识别数据较少所产生识别率不佳的问题,引入迁移学习方法。利用基于大型公开数据集Image Net的预训练深度卷积神经网络VGG-16、VGG-19和Res Net50进行小麦特征提取。保留预训练网络的特征提取层,将原有的顶层网络替换为自主设计的顶层网络。实验表明,迁移学习方法可有效提高小麦不完善粒的识别效果。(2)针对单个模型所提取的特征信息不全面的问题,提出了多模型特征融合方法。将VGG-16、VGG-19和Res Net50所提取的特征进行融合,使提取的小麦特征信息更加丰富、全面。将小麦图像分别输送至三个模型,并进行小麦特征提取。然后将三个模型所提取的特征进行融合。实验结果表明,特征融合可以实现多特征优势互补,从而使模型获得更好的识别性能。(3)针对Softmax分类器对高维数据分类效果不佳的问题,提出采用深度信念网络(DBN)对融合特征进行分类的方法。本文构建了基于迁移学习的CNN-DBN小麦不完善粒识别模型。保留预训练网络的特征提取层,将原有的顶层网络替换为DBN网络。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力。实验证明,所提模型较传统模型有明显的性能提升。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/49629.html
