SOM神经网络在树叶形状分类中的应用
神经网络在垃圾分类中的应用
神经网络在垃圾分类中的应用随着人们对环保意识的不断提高，垃圾分类成为了社会发展的一个重要议题。
垃圾分类有利于资源的回收利用和环境的保护，但垃圾的分类工作需要耗费大量的时间和人力。
这时，智能化技术的应用可以大大提高垃圾分类的效率和准确性，而神经网络就是一种常用的智能化技术，它可以应用于垃圾分类中，帮助垃圾分类更加自动化和智能化。
一、神经网络简介神经网络是一种模仿生物神经系统的信息处理方式，它由许多个简单的单元组成，每个单元都可以接受输入，并产生输出，这个输出又会作为其他单元的输入。
神经网络可以通过学习和调整连接权值，从而实现对输入数据进行分类和预测的功能。
二、垃圾分类的挑战垃圾分类的难点在于垃圾种类多、形态各异，而且每个种类的垃圾有其特定的特征，相互之间也有很强的相关性。
人工分类的准确性需要依赖专业知识和丰富的经验，还需要消耗大量的时间和精力。
因此，垃圾分类需要一种智能的方法，可以通过学习和调整权值来自动地识别和分类垃圾。
三、神经网络在垃圾分类中的应用神经网络已经被应用于垃圾分类中。
通常，神经网络的训练需要大量的数据，这些数据包括每种垃圾的图片、文字描述和其他特征等。
通过对神经网络进行训练，它可以自动地学习每种垃圾的特征，并对垃圾进行分类。
与人工分类相比，神经网络具有更高的准确性和效率。
四、神经网络对垃圾分类的贡献神经网络在垃圾分类中的应用有许多贡献。
首先，它可以提高垃圾分类的效率和准确性，减少了人工分类的时间和精力。
其次，神经网络可以自动学习每种垃圾的特征，而且可以通过不断地学习和调整，逐渐提高分类的准确性。
最后，神经网络可以自适应性地进行垃圾分类，不需要额外的配置和调整，能够适应不同环境的垃圾分类需求。
五、神经网络在未来的应用前景随着科学技术的快速发展，神经网络在垃圾分类中的应用前景非常广阔。
未来，神经网络可以与传感器、无人机等技术相结合，实现垃圾自动的识别、收集和分类，大大提高了垃圾分类的效率和精度。
SOM算法研究与应用
SOM算法研究与应用SOM算法，也称为自组织映射算法（Self-Organizing Maps），是一种无监督学习算法，用于将高维数据映射到低维空间中。
SOM算法由芬兰科学家Teuvo Kohonen于1982年所提出，并且在计算机科学和机器学习领域中具有广泛的应用。
SOM算法的核心思想是通过将输入数据映射到一个拓扑结构上的低维空间中，实现数据的可视化和分类。
SOM网络由一个二维或三维的网格组成，每个网格单元称为节点。
在训练过程中，每个节点与输入数据之间存在权重向量，而权重向量则决定了节点在低维空间中的位置。
SOM算法通过迭代的方式，不断调整权重向量以逼近输入数据的分布特征，从而实现数据的映射和聚类。
1.初始化网络：定义网络的拓扑结构和每个节点的权重向量，通常权重向量随机初始化。
2.选择输入数据：从训练数据集中随机选择一个数据作为当前迭代的输入。
3.计算获胜节点：通过比较输入数据与每个节点的权重向量，选择距离最接近输入数据的节点作为获胜节点。
4.更新获胜节点和邻近节点的权重向量：根据获胜节点和邻近节点的拓扑关系，调整它们的权重向量，使其更接近输入数据。
5.更新学习率和邻域半径：随着迭代的进行，逐渐减小学习率和邻域半径，以缓慢调整节点的权重向量。
6.重复步骤2至5，直到达到指定的迭代次数或网络达到收敛。
1.数据聚类：SOM算法可以将相似的数据映射到相邻的节点上，从而实现聚类。
聚类结果可以帮助我们理解数据的分布特征和相似性，从而进行更深入的分析和决策。
2.数据可视化：SOM算法将高维数据映射到低维空间中，可以将数据可视化为二维或三维的网格结构。
这种可视化方法可以帮助我们直观地理解数据之间的关系和规律。
3.特征提取：SOM算法可以通过调整权重向量的方式，将数据映射到低维空间中，从而实现特征提取。
通过SOM算法提取的特征可以用于后续的分类、聚类或识别任务。
4.异常检测：SOM算法可以识别输入数据与大多数数据不同的节点，从而实现异常检测。
基于深度学习的自然景观分类技术研究
基于深度学习的自然景观分类技术研究近年来，随着计算机技术的飞速发展和神经网络模型的不断完善，基于深度学习的自然景观分类技术成为了热门研究方向之一。
通过深度学习算法对自然景观的图像进行分类，可以在很大程度上提高分类的准确性和效率，为生态环境的保护和管理提供支持。
一、深度学习技术在自然景观分类中的应用深度学习技术主要包括卷积神经网络（CNN）和循环神经网络（RNN）。
在自然景观分类中，主要采用CNN技术进行图像特征提取和分类。
CNN可以通过多层卷积和池化的方式，逐渐提取出图像的高层次特征。
同时，卷积层和全连接层的结合可以有效地减少特征的维度，提高特征的鉴别性。
这种方式不仅可以处理图像分类问题，还可以用于物体识别、目标检测、图像搜索等领域。
在自然景观分类中，通过训练大量的标注图像，可以使模型自动学习到图像的特征。
然后，利用这些特征来实现自然景观的分类识别。
二、深度学习技术相较于传统的分类算法的优势相比于传统分类算法，深度学习技术在自然景观分类中具有以下优势：1.非线性模型:相较于传统的线性模型，深度学习可以通过多种非线性变换，学习到更加复杂的特征表示。
这种非线性变换的效果被证明对图像识别是十分有效的。
2.大数据处理:深度学习可以处理大规模的数据集，这在自然景观分类中尤为重要。
可以通过增加训练数据的数量，以进一步提高模型的准确性和性能。
3.灵活性:深度学习可以适应多种不同的数据类型和应用场景。
在自然景观分类中，可以通过改变CNN模型的结构，更好地满足各种形状、大小不一的图像。
三、深度学习技术的应用深度学习技术在自然景观分类中的应用非常广泛，以下是一些实际应用的例子：1.森林植被分类：可以通过训练大量的标记数据，学习出不同类型的树木、灌木和草地分类的算法。
精准的森林植被分类技术可以为森林生态系统的管理和保护提供依据。
2.地形分析：通过对地形的卫星图像进行自然景观分类，可以识别出不同地貌类型的分布情况。
这对地貌研究和自然环境保护具有重要意义。
树木语义分割数据集
树木语义分割数据集树木语义分割数据集的神奇之处在于，它能把这些树木的特征都识别出来。
听起来像是科幻电影里的情节，但其实这在咱们的科技世界里已不是梦。
想象一下，如果你有一台机器，能把图像里的每棵树都标记出来，甚至还能告诉你它们的名字和种类，真是太酷了吧。
用技术的力量，把大自然的美妙和丰富通通展现出来，这简直就是一场视觉盛宴。
就像在玩拼图，拼完后你会惊喜地发现，原来整幅图是那么美妙动人。
我们都知道，树木对环境的重要性不言而喻。
它们不仅提供氧气，还给小动物们提供了栖息之所。
可现在的问题是，咱们得怎么认识它们呢？你说，如果一个小朋友看到一棵树，心里不一定能明白这棵树到底是什么。
说不定他只会指着树，问：“这是什么呀？”这时候，树木语义分割数据集就像是知识的桥梁，让小朋友们能够更快地理解和认识自然界。
要是每个人都能通过这个数据集，认清楚身边的树木，未来咱们的环境保护工作一定能做得更好。
再说，数据集里不仅仅是数字和图像，它还承载着人们对自然的热爱。
每一张图片、每一个标签，都是研究者们在田野里奔波的成果。
你想啊，他们可能在大热天里，背着沉重的设备，蹲在地上拍摄，结果就是这些宝贵的资料。
这个过程中，可能还会遇到各种奇葩的事情，比如不小心踩到树根，摔得四脚朝天，那画面想想就让人捧腹大笑。
这个数据集的应用也很广泛。
它可以被用来帮助科学家们研究树木的生长状况、分布特征，甚至还能为城市规划提供帮助。
想象一下，城市里的公园、街道，都是经过精心设计的，树木的位置、种类都得经过科学的分析。
没准，有一天，你走在公园里，抬头看见一棵棵高大、茂盛的树木，心里就会想：“这背后可有科学家们的努力啊。
” 。
这个数据集还可以跟机器学习结合，培养出聪明的算法。
你说，未来的科技会不会让一台电脑也变得像人一样，能够分辨出什么树是什么？那可真是科技的奇迹。
想想看，未来的学生在课堂上就能用这些技术来学习，变得更加有趣生动。
咱们的生态环境也在受到威胁，树木被砍伐、环境污染，这些都是咱们必须面对的问题。
基于计算机视觉技术的树木识别研究
基于计算机视觉技术的树木识别研究随着城市化进程的加速，人与大自然的距离越来越远，城市里已经很难看到大片的绿树环绕了。
在这样的环境下，人对树木的认知和了解程度开始降低。
但是，我们仍然需要树木，它们不仅是城市天然的氧吧，也成为了人类的朋友，那么如何更好的认识和识别树木呢？基于计算机视觉技术的树木识别研究应运而生。
一、技术驱动下的树木识别技术计算机视觉技术是当今科技领域内最炙手可热的一个方向，它可以帮助计算机系统理解和分析图像、视频等多媒体数据。
树木识别技术是计算机视觉技术细分领域中的一部分，通过利用人工智能算法、数学模型和图像处理技术等手段，帮助计算机快速准确地识别树木种类，实现人与自然之间的连接。
二、树木识别技术的应用场景1. 生态环境监测和保护：树木是森林生态地位重要的组成部分，现在树木数量的监测对于森林管理和环境保护非常重要。
通过计算机视觉技术，我们可以实现对树木数量、空间分布情况、生长变化等多种参数的监测。
2. 公园或者景区树木导览服务：对于公园或者景区管理者，如何提高游客的游览介绍和服务质量成为一个严峻的问题。
而通过一个优秀的树木识别算法可以给游客带来树木的详细介绍和生态知识。
3. 城市绿化构建：城市绿化建设是当前的热点话题，如何高效地建设绿化空间，充分利用现有的城市空间成为一个需要解决的问题。
计算机视觉技术可以合理评估城市绿化植被，通过数据分析提高社会运营的效率。
三、树木识别技术的技术构架树木识别技术的本质是通过计算机视觉技术训练出的人工智能程序，我们可以把其拆分成数据预处理、特征提取和分类器训练三个部分，下面针对这三个部分逐一陈述：1. 数据预处理：数据预处理包括图像分割、滤波和降噪等一系列操作，最终使得我们的数据集可以被高质量地输入到后续的学习任务中。
2. 特征提取：特征提取的核心是如何从大量的图像数据中抽取重要的特征，常用的方法有基于梯度、颜色、纹理、形态学、深度学习等。
3. 分类器训练：通过将提取的特征图像输入到训练模型中，我们可以训练出一个较为可靠的分类器，进而使得计算机识别树木的能力更加准确和智能化。
生命之树原理的应用
生命之树原理的应用1. 介绍生命之树原理是一种通过模拟自然界中生物演化过程的方法，用于解决复杂问题的算法。
生命之树原理的应用领域非常广泛，包括人工智能、优化问题求解、数据挖掘等。
本文将介绍生命之树原理的基本原理以及在不同领域的应用案例。
2. 基本原理生命之树原理基于遗传算法和进化算法的思想，通过模拟自然界中生物的进化过程来解决问题。
其基本原理如下：•个体表示：生命之树原理中的个体是以树形结构表示的。
每个节点代表一个特征或决策变量，而边代表变量之间的关系。
树的根节点代表初始解，叶节点代表最终解。
•适应度评估：为了评估每个个体的适应度，需要设定一个适应度函数。
该函数根据问题的具体要求，衡量个体的优劣程度。
•选择：根据适应度函数，选择适应度较高的个体作为父代，用于产生下一代个体。
•遗传操作：生命之树原理包括几个主要的遗传操作，如交叉、变异等。
交叉操作将两个个体的某些节点进行交换，生成新的个体。
变异操作则随机改变某些节点的值，以增加种群的多样性。
•进化终止条件：通过迭代的方式，不断进化种群，直到满足终止条件。
终止条件可以是达到预设的解或者超过设定的迭代次数。
3. 应用案例生命之树原理在不同领域有着广泛的应用，以下是一些常见的案例：3.1 人工智能生命之树原理在人工智能领域应用广泛。
例如，利用生命之树原理可以实现机器学习中的特征选择和优化问题求解。
通过构建适当的适应度函数，根据问题的要求，通过生命之树算法，可以找到最佳的特征组合或模型参数。
3.2 优化问题求解生命之树原理在优化问题求解中也有着重要的应用。
例如，对于复杂的工程优化问题，可以通过生命之树算法来优化设计参数，以达到最优解。
3.3 数据挖掘生命之树原理可以用于数据挖掘领域，例如聚类和分类问题。
通过构建适当的适应度函数，可以将生命之树算法应用于数据集的特征选择、模型优化等问题。
3.4 其他领域除了上述领域，生命之树原理还可以应用于许多其他领域。
例如，生命之树算法可以用于图像处理中的特征提取、信号处理中的模型建立等。
苹果树叶数据集 voc格式
苹果树叶数据集voc格式如何使用苹果树叶数据集(voc格式) 进行图像分类和目标检测。
引言：图像分类和目标检测是计算机视觉领域的重要研究方向，能够广泛应用于农业、医学、交通等领域。
其中，苹果树叶数据集(voc格式) 是一个非常有代表性的数据集，它包含了大量的苹果树叶图像以及对应的标注信息，为开展相关研究提供了重要的基础。
第一步：数据集的下载和准备首先，我们需要从合适的来源下载苹果树叶数据集(voc格式)。
这个数据集通常包含苹果树叶图像的原始文件（如JPEG格式）以及图像的标注文件（XML格式），其中标注文件中包含了每个图像中苹果树叶的位置信息和类别标签。
下载完成后，我们需要对数据集进行预处理，确保数据的质量和一致性。
这包括检查图像是否完整、标注文件是否正确匹配等。
第二步：数据集的探索和可视化在开始图像分类或目标检测之前，我们需要先对数据集进行探索和可视化，以了解数据的特点和分布情况。
可以使用常见的图像处理工具（如Python中的OpenCV库）加载图像文件和标注文件，并将其可视化。
通过逐个展示图像和对应的标注信息，我们可以对数据集中的苹果树叶有一个直观的认识，并检查数据集的标注质量。
第三步：图像分类模型的训练和评估在进行图像分类之前，我们需要将数据集划分为训练集和测试集。
一般来说，我们将数据集的大部分样本用于训练，而保留一小部分样本用于模型的评估。
针对苹果树叶数据集，我们可以使用常见的深度学习框架（如TensorFlow、PyTorch）来训练一个图像分类模型，例如卷积神经网络（CNN）。
该模型可以通过学习苹果树叶图像的特征来自动判断每个图像的类别。
训练完成后，我们可以使用测试集对模型进行评估，计算模型的准确率、精确率、召回率等指标，以评估模型的性能和泛化能力。
第四步：目标检测模型的训练和评估与图像分类不同，目标检测不仅需要判断图像的类别，还需要确定苹果树叶在图像中的位置。
在进行目标检测之前，我们同样需要划分训练集和测试集，并准备相应的标注文件。
点云树木分类
点云树木分类
一、引言
随着激光雷达技术的快速发展，点云数据在许多领域得到了广泛应用，尤其是在林业和环境监测中。
树木分类是其中的一个重要应用，它可以帮助我们更好地理解森林生态系统的结构和功能。
本文将探讨点云树木分类的方法、技术与实践。
二、点云树木分类方法
点云树木分类的基本流程包括数据预处理、特征提取和分类器训练。
预处理阶段包括去除噪声、填充缺失值和简化数据结构等步骤，以便更好地提取特征。
特征提取是分类过程中的关键步骤，可以根据应用需求选择不同的特征，如几何特征、光谱特征和纹理特征等。
分类器训练则是基于提取的特征对训练样本进行分类，常用的分类器包括支持向量机（SVM）、随机森林和神经网络等。
三、技术实现与实践应用
在实际应用中，点云树木分类技术可以帮助我们更好地了解森林的结构和分布。
例如，通过分析不同树种的点云数据，我们可以了解森林的垂直结构和水平分布，进一步研究森林的生长动态和健康状况。
此外，点云树木分类还可以用于森林资源调查和监测，如森林火灾后植被恢复情况的评估和森林病虫害的监测。
四、结论与展望
点云树木分类技术为森林生态系统研究和环境监测提供了新的工具和方法。
虽然目前该技术已经取得了一定的成果，但仍存在一些挑战和问题需要解决。
例如，如何提高特征提取的准确性和效率，如何处理大规模点云数据的分类问题等。
未来，随着技术的不断进步和应用需求的增加，点云树木分类技术将得到更广泛的应用和发展。
同时，我们也需要加强跨学科合作和技术交流，共同推动点云树木分类技术的进步和应用。
第1 页。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
S OM神经网络在树叶形状分类中的应用Appl ica tion of S OM Neura l Network on L eaves’Shape Cla ssif ica tion何 术 (中南林学院 株洲 412006)【摘 要】 使用目前较常用的自组织映射神经网络(SOM神经网络),以几类比较多树叶图片的样本为基础,提取树叶形状特征值作为神经网络的输入,选适当的输出结点,应用自组织特征映射网络对各样本进行竞争学习,自动形成不同的输出值对应于该类别,从而得到分类结果,分类正确率达86.67%。
【关键词】 植物分类,图像处理,特征提取,神经网络,神经元,树叶形状分类ABSTRACT By using the p resently general self o rganizing feature m ap netw o rk(SOM neural netw o rk),and on the basis of a lit2 tle mo re leaves’shape samp le,th is paper extracts the leaves’p icture characteristic values to use as the inputting values of the neural netw o rk,selects the adap table output node and app lies the self o rganizing feature m ap netw o rk to do competiti on learning fo r each samp le,and then autom atically to generate the different output that are relative w ith the classificati on so as to obtain the classifica2 ti on result,and the classificati on accuracy reaches to86.67%.KEYWOR D S p lant classificati on,i m age p rocessing,characteristic extracti on,neural netw o rk,neuron,leaves’shape classificati on(SOM神经网络),这是因为SOM网络具有自主学习的优点。
在各个神经元的竞争中将训练样本划分为不同的类别,这种划分反映了样本集的根本区别。
树叶上可供分类的特征有叶形、叶柄、叶尖、叶基、叶缘、叶脉等主要几方面。
特别是树叶形状包括了叶柄、叶尖、叶基、叶缘等几个部分,所以我们提取植物叶片形状特征进行分类。
1 实现算法以几类比较多树叶图片的样本为基础,提取树叶形状特征值作为神经网络的输入,选取适当的输出结点,应用自组织特征映射网络对各个样本进行竞争学习,自动形成不同的输出值对应于这些类别。
然后可以采集新的验证用的树叶样本,提取特征值输入训练好的神经网络,得到分类结果。
实现方法如下:1.1 获取图像研究使用的图像是使用扫描仪扫描树叶得到的。
扫描时要使叶柄朝上,尽量使叶片中轴垂直扫描仪的水平线。
然后将得到的图片保存为常用的图片格式“jp g”文件。
我采集了不同的桂、猴樟、含笑、大叶黄杨、紫薇和海桐各30片树叶,其中20片作为训练样本,10片树叶作为验证样本。
1.2 图像处理使用M A TLAB6.5(本文所有程序都由M A T2 LAB6.5实现),处理得到的树叶图片,把图片缩小到一定大小,保证树叶的形状清楚。
图片不要太大,否则影响程序运行速度。
然后把图像赋值给一个矩阵。
设置亮度阈值(比如0.1)将真彩色图转换成二值图,然后使用线性滤波(产生滤波模板,对滤波模板归一化,用均值模板对图像滤板[1]),再使用边界提取算法(使用8连接邻域法[2]寻找相邻边界像素),提取树叶边缘,得到只含边缘信息的二值图。
1.3 提取样本的特征值按照顺时针的顺序,使用8连接邻域寻找相邻边界像素把边缘点的x,y值输入一个二维数组cc中。
标准化二维数组cc,使之变为相同大小的数组cc2。
依次取cc2的两个元素,计算ab s(atan((y2-y1) (x2-x1)))得到的值输入新的数组z。
就是求每两个相邻边界点的角度值,作为图像的特征值。
1.4 建立自组织映射神经网络把z作为神经网络的输入向量,确定适当的神经网络。
我依次使用233、333、334、434个神经元,分别训练100次。
试验多少神经元数量是最合适的(时间耗费和准确率最佳)。
3 20030924收到,20031124改回33 中南林学院学位论文研究成果。
333何 术,男,1977年生,在读硕士,研究方向:人工智能,神经网络,信息管理。
・32・第17卷 第2期 电脑开发与应用 (总77) 表1 训练样本的神经网络输出特征映射结果表1>h 1-h 202>g 9,z 7,z 103>d 1-d 4,d 6-d 8,d 10-d 20,x 12,x 17,g 3,g 64>z 1-z 6,z 8,z 9,z 11-z 12,x 3,fg 1,g 4,g 8,g 10-g 12,g 14-g 16,g 18,g 195>w 1-w 20,d 5,d 9,x 7,x 9,x 13,x 18,x 196>x 1,x 2,z 4-x 6,x 8,x 10,x 11,x 14-x 16,x 20,g 2,g 5,g 7,g 13,g 17,g 20得到的分类正确率=1-错误分类在数 总样本数=1-31 120=74.17%表2 验证样本的神经网络输出特征映射结果表1>h 1-h 102>3>d 4,d 6,d 7,d 9,d 10,g 2,4>z 1-z 5,z 8-z 10,g 6,g 7,g 9,g 105>w 1-w 20,d 1-d 3,d 5,d 8,x 4,x 5,x 9,x 106>x 1-x 3.x 6-x 8.z 6.z 7.g 1,g 3-g 5,g 8得到的分类正确率=1-错误分类数 总样本数=1-21 60=65%表3 训练样本的神经网络输出特征映射结果表1>h 1-h 202>d 113>d 2,d 3,d 5-d 7,d 14,d 15,d 17,d 18,d 204>z 7,z 105>g 3,g 5-g 7,g 9,g 10g 13,g 20,d 8,d 6,d 196>d 1,d 4,d 9,d 10,,d 12,d 137>z 1-z 6,z 8,z 9,z 11-z 208>g 2,g 8,g 15,g 18,x 39>d10>g 1,g 4,g 11,g 12,g 14,g 16,g 17,g 1911>x 1,x 2,x 4-x 2012>w 1-w 12得到的分类正确率=1-错误分类数 总样本数=1-4 120=96.67%表4 验证样本的神经网络输出特征映射结果表1>h 2,h 4-h 102>d 4,h 1,h 33>d 1,d 2,d 7,d 9,d 104>5>g2,z6,d6,6>d3,d5,7>z1-z5,z8,z108>g5,z99>d 8,w 910>g 1,g 3,g 6-g 1011>x 1-x 10,g 4,z 712>w 1-w 8,w 10得到的分类正确率=1-错误分类数 总样本数=1-8 60=86.67%1.5 分别输入单个样本进行验证把新的六类,每类10片树叶作为验证样本。
分别处理验证树叶样本,提取特征值,输入已建神经网络。
分析得到的分类结果,找到最合适的神经网络数量。
2 结果分析在表1～4中。
代码设置为:桂(g )、猴樟(z )、含笑(x )、大叶黄杨(d )、紫薇(w )、海桐(h )。
粗体字为被错误分类的树叶样本。
①使用233=6个神经元,训练100次的结果。
训练样本分类结果如表1,表2所示。
②使用333=9个神经元,训练100次的结果。
训练样本分类结果(表略);训练样本得到的分类正确率=1-错误分类数 总样本数=1-18 120=85%验证样本得到的分类正确率=1-错误分类数 总样本数=1-13 60=78.33%图1 g 2、z 6和d 6的图片③使用334=12个神经元,训练100次的结果。
训练样本分类结果如表3、表4所示。
④使用434=16个神经元,训练100次的结果。
训练样本分类结果(表略);训练样本得到的分类正确率=1-错误分类数 总样本数=1-9 120=92.5%验证样本得到的分类正确率=1-错误分类数 总样本数=1-9 60=85%以上训练数据均重复了两次,两次结果一样。
我也尝试500次训练的分类结果和100次的结果一模一样。
从训练结果可以得出:分类的正确率和分类神经元数量或训练次数不一定成正比关系。
而且当分类神经元数量或训练次数增加时,运算时间也会成倍增加。
所以选择适当的分类神经元数量或训练次数是极为重要的。
在表4中g 2、z 6和d 6被错误分成一类,但是通过人眼来看,g 2和z 6不太相似,但是g 2和d 6就很相似了。
3 结 论先用六类,每类20片树叶样本,通过334共12个神经元,训练100次得到的自组织特征神经网络,然后再用新的不同的六类,每类10片树叶样本进行验证。
得到的分类正确率为86.67%。
因为树叶形状的不确定性,并且图像处理过程中存在变形,所以不同类树叶可能会很相似。
单凭树叶形状,即使人眼也无法完全正确分类。
所以要使用叶片进行正确分类,还必须考虑叶缘、叶尖、叶脉等其他形状。
这些都是我下一步研究的对象。
参考文献1 孙光林.M A TLAB 6.x 图像处理[M ].北京:清华大学出版社,2002:224～2252 周文韩,力 群,李 锐.计算机图像处理技术在烤烟烟叶形状特征提取中的应用[J ].烟草科技 计算机应用,2000(1):12～13・42・ (总78) SOM 神经网络在树叶形状分类中的应用 2004年。