搜索结果: 1-6 共查到“工学 BP Neural Network”相关记录6条 . 查询时间(0.156 秒)
The composition of the output layer architecture in a Back-Propagation (BP) neural network for remote sensing image classification
Neural Network Remote Sensing Classification Output Layer Architecture
2015/2/5
A Neural Network is treated as a data transformer when used for mapping purposes. The objective in this case, is to
associate the elements in one set of data with the elements in a second set. Accord...
基于改进BP神经网络的排种器充种性能预测(Prediction for Performance of Seed-filling Process Based on Improved BP Neural Network)
排种器 充种 性能预测 BP神经网络
2010/12/29
充种性能直接影响排种器排种质量,应用Matlab神经网络工具箱建立了排种器充种单粒率η1和空穴率η2的改进BP神经网络预测模型。选取转速n、种子当量直径d、充种角β和型孔直径D作为试验因素进行充种性能试验,获得64组单粒率和空穴率的试验结果。选取55组结果作为训练样本,采用Levenberg-Marquardt训练方法对建立的网络进行训练,并选取剩余的9组结果对训练好的网络进行仿真预测。其中,n、...
基于改进BP神经网络的复合叶轮离心泵性能预测(Performance Predicting of Centrifugal Pumps with Compound Impeller Based on Improved BP Neural Network)
复合叶轮 BP神经网络 性能预测
2009/9/25
应用Matlab建立了复合叶轮离心泵效率和扬程的BP神经网络预测模型。选取73组试验结果作为样本,采用Levenberg-Marquardt法则对构建的网络进行训练,并随机选取12组训练样本外的数据对训练好的网络进行测试。试验的主要参数为流量Q, 叶片数z,叶片出口安放角β2,短叶片进口直径Di,叶片出口宽度b2,效率η以及扬程H。其中选取Q,z,β2,Di,b2作为网络的输入层,η和H作为输出层...
基于人工神经网络的田间秸秆覆盖率检测系统(Measuring System for Residue Cover Rate in Field Based on BP Neural Network)
保护性耕作 秸秆覆盖率 BP神经网络
2009/8/11
以VC++为工具,田间实拍图像为研究对象,在分析田间秸秆和土壤纹理特征差别的基础上,设计了BP神经网络秸秆覆盖率检测系统。该系统采用了神经网络与纹理特征相结合的方法提取秸秆,并以纹理特征熵值为标准建立了网络输入层学习样本选取准则。人工模拟和田间试验表明,设计的BP神经网络秸秆覆盖率检测系统对田间秸秆的识别率达90%以上,秸秆覆盖率计算误差可控制在5%以内;与传统的拉绳法相比,检测效率提高50~12...
基于计算机视觉和神经网络的牛肉颜色自动分级(Automatic Color Grading of Beef Lean Tissue Based on BP Neural Network and Computer Vision)
牛肉 颜色 分级 神经网络
2009/5/22
将采集的牛胴体眼肌切面图像人工确定其颜色等级,然后通过计算机图像处理方法,分割出肌肉区域并提取出其在RGB和HIS颜色空间的颜色特征参数。设计一个以牛肉的颜色特征参数为输入、牛肉的颜色等级为输出的BP神经网络模型,通过训练,确定模型的结构参数,用测试样本对该模型进行验证。结果显示,用该模型进行牛肉颜色等级预测的正确率可达95%,耗时仅0.25s。表明利用所设计的模型可以对牛肉的颜色等级进行快速、准...
基于小波变换和BP神经网络的蛋壳破损检测(Crack Detection in Eggs with Multi-level Wavelet Transform and BP Neural Network)
鸡蛋 破损 检测
2009/5/22
提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法。该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8—20—2的BP神经网络蛋壳破损分类模型。实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为90%。