基于深度学习的粮仓储粮数量检测模型与系统实现

发布时间：2020-03-25 01:22

【摘要】：随时了解、掌握我国的粮食储备数量关系着国家的和谐稳定发展,现阶段我国清仓查库所用的称重计量法,因其效率低、工作量大等弊端早已不能满足当前现代化的需求,因此,开发出一种智能化的粮仓储粮数量检测系统对于实现现代化的粮库管理以及国家的长治久安具有重要意义。本课题通过对储粮数量检测的深入研究,针对储粮数量检测的特点,提出了基于深度学习的粮仓储粮数量检测模型,本文主要内容如下:(1)提出了一种深度受限玻尔兹曼机与支持向量回归机结合的储粮数量检测方法,该方法以内外圈压力传感器输出值均值作为输入,通过深度受限玻尔兹曼机对数据集进行重构,再利用支持向量回归机进行拟合回归,并通过理论与实际应用证明了该方法的有效性及可行性。(2)针对压力传感器输出值存在异常值及偶然值的情况,引入拉依达准则,提出数据预处理方法,避免出现异常值及偶然值对检测结果产生影响的情况,进一步提高检测模型的检测精度。(3)基于模块化编程思想,设计开发了基于深度学习的粮仓储粮数量检测系统,使其具有数据处理、在线检测、查询、建模等多种功能。利用该系统对实际粮仓进行储粮数量检测,检测结果表明,本文开发的基于深度学习的粮仓储粮数量检测系统检测精度高,能够满足国家检测要求。
【图文】：

拓扑结构图,BP神经网络,拓扑结构,多层感知机

课题研究所涉及到的 BP、支持向量回归机、深度要介绍，对算法的实现原理等进行描述。年代末期，伴随着 BP 神经网络的发明，机器学习络虽然被称为多层感知机，但实际上，其是只含有出的 SVM、Boosting 等均被认为是含有一个隐藏层的持向量回归机（Support Vector Regression，简称 S。络P 神经网络拓扑结构如图 1 所示，包含输入、隐藏实现全连接，同层神经元之间无连接[31]。

学习方法,学习技术,神经网络,机器学习

经网络更有优势。度学习度学习是 21 世纪初提出的新理论，是机器学习中新的研究领域，其主要思加模型的深度来充分学习数据集中隐藏较深的特征，在对深度学习的初期是通过经典的深度学习方法（如卷积神经网络、深度置信网络）来解决问题术的不断发展与优化，，现阶段，深度学习技术早已摆脱初期仅依靠增加隐藏提高模型的精度的方式，更多的是通过利用经典深度学习的改进方法、多种型组合的方式来解决深度学习的问题。度神经网络浅层学习方法相比，深度神经网络（Deep Neural Network，简称 DNN）能够全面、更深入的对输入序列进行特征学习，其具体结构如图 3 所示。
【学位授予单位】：河南工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S379;TP18;TP212

【相似文献】