基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判断,为实现草地牧草自动分类与数字化治理提供了新的途径.本文提出了基于MSRA初始化卷积神经网络的草地牧草高光谱图像自动识别与分类的方法.主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节,首先预处理采用改进的自适应...     

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥 感光谱图像,但其整体分辨率略 低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较 低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种 基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光 谱成像系统采集可见-近红外光谱(400000 nm)的草地高光谱图像,通过基于方差选择的 降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,Gau ssianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别 模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元 散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波 (SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模 型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw )法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度 和Kappa系数平均值分别提高2.995%和0.050。同等情况下比较GaussianNB模型和SVM模型, 在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少 ,OA值达到99.33%,Kappa系数为0.99,测试 时间为0.002022 s。研究结果表明,基于方差 选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高 效快速的牧草种类识别。     

基于小波变换的数字调制信号识别方法的研究

该文介绍了一种基于小波分类特征的数字调制信号的识别方法,创新之处在于同时应用了连续小波变换和多层小波分解两种方法提取信号的特征,并且对于不同调制信号采用了不同的分类特征。算法实现时不需要进行码元周期估计以及同步时间估计,从而使分类器的设计变得简单,判决准则简化,提高了运算速度和识别率。