為了實現(xiàn)利用人工智能或機器學習方法提高農(nóng)業(yè)生產(chǎn)效率,針對農(nóng)業(yè)數(shù)據(jù)分析中特征提取和類別識別的問題,構(gòu)建了一個基于深度神經(jīng)網(wǎng)絡(luò)的自動編碼器,該網(wǎng)絡(luò)不僅能夠分析農(nóng)業(yè)數(shù)據(jù)的固有屬性特征,還能自動學習潛在的高級特征.通過在自動編碼器中引入了一個高斯核聚類模塊,提出了一個新的損失函數(shù)反向調(diào)節(jié)整個網(wǎng)絡(luò)訓練,使其逐步實現(xiàn)聚類的結(jié)果,最終實現(xiàn)了一種新的基于自動編碼器的高斯核模糊聚類方法(AE-KFC).該聚類方法是一種基于自動編碼器的端到端深度神經(jīng)網(wǎng)絡(luò)學習方法.最后在農(nóng)業(yè)小麥種子的數(shù)據(jù)集上進行了試驗測試,相比其他的一些聚類算法,提出的聚類算法取得了較好的性能結(jié)果.結(jié)果表明:新型的機器學習算法有助于提高農(nóng)業(yè)數(shù)據(jù)分析的效果,具有廣泛的應(yīng)用價值.

【文章頁數(shù)】：7 頁

【文章目錄】：
1 相關(guān)算法
    1.1 FCM算法
    1.2 GKFCM算法
    1.3 自動編碼器
2 文中算法
    2.1 網(wǎng)絡(luò)架構(gòu)
    2.2 學習策略
    2.3 自我表達層模塊
3 試驗結(jié)果及分析
    3.1 數(shù)據(jù)集
    3.2 試驗設(shè)置
    3.3 試驗比較與討論
    3.4 參數(shù)分析
4 結(jié) 論



本文編號：3848200