| 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別地基云圖的數(shù)據(jù)庫(kù)建立及處理方法 | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：zhoubin333 | |
| 文檔大?。?span>2643 K | |
| 標(biāo)簽： 卷積神經(jīng)網(wǎng)絡(luò) 監(jiān)督學(xué)習(xí) 樣本庫(kù) | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖相關(guān)研究時(shí)，建立云圖樣本庫(kù)是第一步，也是非常重要的一步。首先，通過(guò)數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開(kāi)發(fā)行的云圖類書籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫(kù)；接著，對(duì)三個(gè)樣本庫(kù)圖像的分辨率、噪聲、數(shù)量等問(wèn)題進(jìn)行了分析；然后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對(duì)樣本庫(kù)進(jìn)行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對(duì)增強(qiáng)后的數(shù)據(jù)集進(jìn)行云識(shí)別分類驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，利用本文方法進(jìn)行增強(qiáng)數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對(duì)小樣本數(shù)據(jù)識(shí)別率不高以及不能完整進(jìn)行網(wǎng)絡(luò)運(yùn)行的問(wèn)題，為卷積神經(jīng)網(wǎng)絡(luò)在地基云圖識(shí)別的應(yīng)用奠定基礎(chǔ)。 | |
| 現(xiàn)在下載 | |
| VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
卷積神經(jīng)網(wǎng)絡(luò) 相關(guān)資源
- 基于數(shù)據(jù)驅(qū)動(dòng)的滾動(dòng)軸承早期故障診斷方法
- 工業(yè)控制系統(tǒng)安全威脅分類模型研究
- 融合卷積神經(jīng)網(wǎng)絡(luò)的混凝投藥模型研究
- 深度學(xué)習(xí)模型中不同激活函數(shù)的性能分析
- 應(yīng)用于相機(jī)標(biāo)定的亞像素棋盤角點(diǎn)檢測(cè)
- 基于多模態(tài)特征融合的Android惡意程序檢測(cè)方法研究
- 基于動(dòng)態(tài)自適應(yīng)計(jì)算引擎的MobileNetV3網(wǎng)絡(luò)加速器設(shè)計(jì)
- 基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷
zhoubin333 的最新分享
- 基于雙模單包授權(quán)的公路零信任安全應(yīng)用研究*
- 基于區(qū)塊鏈的法檢司數(shù)據(jù)安全共享技術(shù)研究*
- 揭開(kāi)“算法的面紗”：關(guān)于構(gòu)建算法解釋框架的思考
- 企業(yè)“數(shù)據(jù)池”的商業(yè)秘密保護(hù)路徑探究
- 注意力經(jīng)濟(jì)下陪伴式人工智能平臺(tái)的侵權(quán)責(zé)任
- 數(shù)據(jù)抓取行為競(jìng)爭(zhēng)法規(guī)制中的利益衡量研究
- 基于同態(tài)的多對(duì)多電子投票方案設(shè)計(jì)*
- 基于策略和屬性隱藏的區(qū)塊鏈訪問(wèn)控制方法研究
Copyright ? 2005-2024 華北計(jì)算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號(hào)-2