【摘要】：隨時了解、掌握我國的糧食儲備數(shù)量關(guān)系著國家的和諧穩(wěn)定發(fā)展,現(xiàn)階段我國清倉查庫所用的稱重計量法,因其效率低、工作量大等弊端早已不能滿足當(dāng)前現(xiàn)代化的需求,因此,開發(fā)出一種智能化的糧倉儲糧數(shù)量檢測系統(tǒng)對于實現(xiàn)現(xiàn)代化的糧庫管理以及國家的長治久安具有重要意義。本課題通過對儲糧數(shù)量檢測的深入研究,針對儲糧數(shù)量檢測的特點,提出了基于深度學(xué)習(xí)的糧倉儲糧數(shù)量檢測模型,本文主要內(nèi)容如下:(1)提出了一種深度受限玻爾茲曼機(jī)與支持向量回歸機(jī)結(jié)合的儲糧數(shù)量檢測方法,該方法以內(nèi)外圈壓力傳感器輸出值均值作為輸入,通過深度受限玻爾茲曼機(jī)對數(shù)據(jù)集進(jìn)行重構(gòu),再利用支持向量回歸機(jī)進(jìn)行擬合回歸,并通過理論與實際應(yīng)用證明了該方法的有效性及可行性。(2)針對壓力傳感器輸出值存在異常值及偶然值的情況,引入拉依達(dá)準(zhǔn)則,提出數(shù)據(jù)預(yù)處理方法,避免出現(xiàn)異常值及偶然值對檢測結(jié)果產(chǎn)生影響的情況,進(jìn)一步提高檢測模型的檢測精度。(3)基于模塊化編程思想,設(shè)計開發(fā)了基于深度學(xué)習(xí)的糧倉儲糧數(shù)量檢測系統(tǒng),使其具有數(shù)據(jù)處理、在線檢測、查詢、建模等多種功能。利用該系統(tǒng)對實際糧倉進(jìn)行儲糧數(shù)量檢測,檢測結(jié)果表明,本文開發(fā)的基于深度學(xué)習(xí)的糧倉儲糧數(shù)量檢測系統(tǒng)檢測精度高,能夠滿足國家檢測要求。
【圖文】：

課題研究所涉及到的 BP、支持向量回歸機(jī)、深度要介紹，對算法的實現(xiàn)原理等進(jìn)行描述。 年代末期，伴隨著 BP 神經(jīng)網(wǎng)絡(luò)的發(fā)明，機(jī)器學(xué)習(xí)絡(luò)雖然被稱為多層感知機(jī)，但實際上，其是只含有出的 SVM、Boosting 等均被認(rèn)為是含有一個隱藏層的持向量回歸機(jī)（Support Vector Regression，簡稱 S。絡(luò)P 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖 1 所示，包含輸入、隱藏實現(xiàn)全連接，同層神經(jīng)元之間無連接[31]。

經(jīng)網(wǎng)絡(luò)更有優(yōu)勢。度學(xué)習(xí)度學(xué)習(xí)是 21 世紀(jì)初提出的新理論，是機(jī)器學(xué)習(xí)中新的研究領(lǐng)域，其主要思加模型的深度來充分學(xué)習(xí)數(shù)據(jù)集中隱藏較深的特征，在對深度學(xué)習(xí)的初期是通過經(jīng)典的深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)）來解決問題術(shù)的不斷發(fā)展與優(yōu)化，，現(xiàn)階段，深度學(xué)習(xí)技術(shù)早已擺脫初期僅依靠增加隱藏提高模型的精度的方式，更多的是通過利用經(jīng)典深度學(xué)習(xí)的改進(jìn)方法、多種型組合的方式來解決深度學(xué)習(xí)的問題。度神經(jīng)網(wǎng)絡(luò)淺層學(xué)習(xí)方法相比，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，簡稱 DNN）能夠全面、更深入的對輸入序列進(jìn)行特征學(xué)習(xí)，其具體結(jié)構(gòu)如圖 3 所示。
【學(xué)位授予單位】：河南工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：S379;TP18;TP212

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 賈蓓;李敬華;肖飛;;基于復(fù)雜電磁環(huán)境的信號檢測模型構(gòu)建分析[J];信息技術(shù)與信息化;2015年09期

2 蔡靜;;考慮檢測影響的貯存-檢測模型及其參數(shù)估計[J];湖北民族學(xué)院學(xué)報(自然科學(xué)版);2012年02期

3 董斯維;郭斌;余力;;個性化推薦攻擊檢測模型研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2006年12期

4 任涵;李勇;呂天雯;;基于自適應(yīng)遺傳算法的獼猴桃組培檢測模型[J];計算機(jī)與應(yīng)用化學(xué);2016年12期

5 李一男;劉永平;王汝琳;;一種礦用紅外瓦斯傳感器的檢測模型[J];工礦自動化;2010年01期

6 張強(qiáng);;一種利用特征選擇改進(jìn)的行人檢測模型[J];微型機(jī)與應(yīng)用;2016年02期

7 楊浩;謝昕;李卓群;章玲玲;;網(wǎng)絡(luò)中隱蔽信道數(shù)據(jù)安全檢測模型研究與仿真[J];計算機(jī)仿真;2016年10期

8 嚴(yán)侃;雷江濤;;基于時頻分析的水聲目標(biāo)被動檢測模型研究[J];魚雷技術(shù);2015年01期

9 李世淙;云曉春;張永錚;;一種基于分層聚類方法的木馬通信行為檢測模型[J];計算機(jī)研究與發(fā)展;2012年S2期

10 孫飛帆;施勇;薛質(zhì);;基于權(quán)重分析的網(wǎng)頁木馬檢測模型[J];信息安全與通信保密;2012年12期

相關(guān)會議論文 前10條

1 劉俊榮;王文槿;劉寶旭;;一種基于網(wǎng)絡(luò)行為分析的木馬檢測模型[A];第十六屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會論文集（下冊）[C];2012年

2 王建平;張自立;魏華;;戰(zhàn)術(shù)空域沖突檢測模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鵬;楊林;劉世棟;;防火墻狀態(tài)檢測模型研究[A];第十八次全國計算機(jī)安全學(xué)術(shù)交流會論文集[C];2003年

4 孫璐;馬兆豐;黃勤龍;;基于權(quán)限分析的安卓應(yīng)用程序風(fēng)險檢測模型[A];第十屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2014年

5 范淵;凌霄;;Android程序安全檢測模型[A];第28次全國計算機(jī)安全學(xué)術(shù)交流會論文集[C];2013年

6 武照東;劉英凱;劉春;吳秀峰;;Overlay網(wǎng)絡(luò)的鏈路故障檢測模型[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（下）[C];2008年

7 劉賽娥;;基于ARP欺騙的以太網(wǎng)檢測模型的設(shè)計與實現(xiàn)[A];《教師教學(xué)能力發(fā)展研究》科研成果集（第六卷）[C];2017年

8 周雙娥;熊國平;;基于Petri網(wǎng)的故障檢測模型的設(shè)計與分析[A];第六屆中國測試學(xué)術(shù)會議論文集[C];2010年

9 廖鵬;;基于異常特征的DDoS檢測模型[A];經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)變與自主創(chuàng)新——第十二屆中國科學(xué)技術(shù)協(xié)會年會（第四卷）[C];2010年

10 王心覺;;應(yīng)用LabVIEW的建筑結(jié)構(gòu)健康檢測模型和預(yù)警系統(tǒng)實驗[A];2015年上海-西安聲學(xué)學(xué)會第四屆聲學(xué)學(xué)術(shù)交流會論文集[C];2015年

相關(guān)重要報紙文章 前3條

1 賽迪出版?zhèn)髅绞紫浾?郭濤;預(yù)見性安全“又快又好”[N];中國計算機(jī)報;2018年

2 中聯(lián)綠盟、李群;IDS的關(guān)鍵：解決好誤報和漏報[N];中國計算機(jī)報;2002年

3 ;文化力是決定成敗的關(guān)鍵因素[N];常州日報;2009年

相關(guān)博士學(xué)位論文 前10條

1 李威;復(fù)雜場景目標(biāo)檢測理論與方法研究[D];電子科技大學(xué);2019年

2 白清松;基于QCM的液體檢測技術(shù)研究[D];電子科技大學(xué);2019年

3 周曉飛;基于機(jī)器學(xué)習(xí)的視覺顯著性檢測研究[D];上海大學(xué);2018年

4 王燕;基于用戶感知與業(yè)務(wù)特征的電信網(wǎng)絡(luò)性能監(jiān)控與檢測模型研究[D];西安電子科技大學(xué);2018年

5 鄧濤;基于視覺注意的駕駛場景顯著性檢測模型研究[D];電子科技大學(xué);2018年

6 趙靜;網(wǎng)絡(luò)協(xié)議異常檢測模型的研究與應(yīng)用[D];北京交通大學(xué);2010年

7 唐赫;基于生物啟發(fā)和統(tǒng)計分析相結(jié)合的圖像顯著性檢測模型研究[D];華中科技大學(xué);2017年

8 蔣鵬;圖像內(nèi)容顯著性檢測的理論和方法研究[D];山東大學(xué);2016年

9 李濤;基于上下文的目標(biāo)檢測研究[D];電子科技大學(xué);2016年

10 陳林潔;褪黑激素受體MT1活化的信號轉(zhuǎn)導(dǎo)機(jī)制研究及內(nèi)含肽介導(dǎo)的新型GPCR活化檢測模型構(gòu)建[D];浙江大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 丁一凡;基于卷積神經(jīng)網(wǎng)絡(luò)的車輛行人檢測模型的研究[D];重慶郵電大學(xué);2019年

2 王翎;域適應(yīng)算法研究及應(yīng)用[D];南京航空航天大學(xué);2019年

3 張萌;基于機(jī)器學(xué)習(xí)的URL安全檢測技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2019年

4 張靖奇;基于深度學(xué)習(xí)的衛(wèi)星遙感圖像艦船檢測[D];哈爾濱工業(yè)大學(xué);2019年

5 劉亞田;基于深度學(xué)習(xí)的玉米幼苗與雜草辨識研究[D];哈爾濱工業(yè)大學(xué);2019年

6 李冰;目標(biāo)檢測模型壓縮算法的研究與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2019年

7 張鑫;基于深度學(xué)習(xí)的糧倉儲糧數(shù)量檢測模型與系統(tǒng)實現(xiàn)[D];河南工業(yè)大學(xué);2019年

8 龐聞輝;基于Janssen原理的糧倉儲糧數(shù)量檢測模型建模方法研究[D];河南工業(yè)大學(xué);2019年

9 李艷;基于抗混淆技術(shù)的JavaScript惡意代碼檢測模型研究[D];北京郵電大學(xué);2019年

10 張圣昌;基于深度學(xué)習(xí)的異常檢測模型研究[D];河北大學(xué);2019年

本文編號：2599171