水生植物能够净化污染物和抑制藻类生长，在生态系统重建方面具有重要的应用价值。光谱分析作为植物种类识别的一种方法，具有无接触、快速、无污染等特点。受周围水环境的影响，绿色水生植物的光谱特征峰比陆生植物更加难以区分，地面实测光谱数据不仅维度高，且存在大量重叠谱带和背景干扰，特征光谱不明显；同时，通过地面实测获取样本数据较为困难，适用于深度学习的地面光谱数据集较少。针对以上问题，本文提出了一种基于一阶导数法结合AlexNet网络的分类模型。本团队以2019年9—10月上海河道内4种优势种群的近岸挺水水生植物为研究对象，使用地物光谱仪采集4种水生植物叶片部位的光谱信息。实验中，首先使用4种光谱分析法对原始数据进行预处理，比较预处理前后分类模型的准确率，其中一阶导数法结合AlexNet网络的分类模型对4种水生植物的分类精度最高，为99.50%；然后分别选取样本数据的40%、60%和80%作为训练集，验证模型在小样本下的泛化能力；最后利用Grad-CAM算法对模型进行可视化，分析后发现本文模型提取的水生植物的特征光谱与现有研究结果一致。上述研究结果表明，本文模型能够有效提取水生植物的特征光谱，实现对4种水生植物的快速准确分类识别，为高光谱遥感卫星识别此4种水生植物提供了重要参考。

针对复杂电磁环境下雷达对干扰信号的分类识别问题，研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像，采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节，从而实现雷达干扰信号的分类识别。仿真结果表明: 在干噪比为-10~0 dB的范围内，网络的识别率随干噪比的增加而迅速提高，干噪比为0 dB以上识别率基本接近100%; 在全干噪比范围下，网络的识别正确率为99.25%，识别效果良好。

为实现多种类水稻病害的自动识别,采用卷积神经网络对水稻干尖线虫病、白叶枯病、细菌性条斑病等8种水稻叶部病害图像进行识别。将病害图像通过随机旋转以及亮度和对比度随机改变等方法进行样本扩充后,随机划分80%的图像作为卷积神经网络的训练样本,20%的图像作为测试数据。将训练样本直接输入AlexNet网络与LeNet5网络中进行训练,得到AlexNet_model和LeNet_model。在AlexNet网络上采用模糊C均值聚类(FCM)图像处理和在每层激活函数后添加批归一化层(BN)的两种方法对图像进行识别,得到模型FCM_model和BN_model。结合4种模型识别结果及性能评价指标的分析,可知 BN_model的识别效果最佳。BN_model模型的最终测试识别准确率达99.11%,比AlexNet_model、FCM_model和LeNet_model分别提高了0.23个百分点、0.59个百分点和4.43个百分点。该模型识别能力与泛化能力强,为基于卷积神经网络的水稻病害研究提供了参考。

卫星遥感技术的快速发展为土地利用变化的检测提供了重要的技术支撑。为了进一步提高土地利用变化的检测精度,提出了AlexNet和支持向量机(SVM)相结合的土地利用变化分类方法。利用2013—2017年江西省南昌市的高分一号卫星遥感影像,生成该地区在这5年内的土地利用变化图,分析土地利用变化的特征。结果表明:研究区的土地类型主要以植被、水体、裸地和建筑用地为主;在这5年中,植被面积变化得最大,减少了54.74 km 2,水体面积增加了22.12 km 2,建筑用地面积增加了19.45 km 2,裸地面积增加了5.17 km 2。

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

针对纺织厂实际生产中采用人工分类纱管费时费力不够智能化等问题,提出了基于改进深度卷积神经网络的分类方法。先基于AlexNet模型框架对原有网络结构进行改进,卷积层全部使用3×3大小卷积核,且多个卷积核串联使用,提取物体更抽象高级特征。再融合滑动平均、L2正则化等方法提升泛化能力,采用L_ReLU激活函数避免部分神经元出现“死亡”现象。最后将检测样本输入训练好的神经网络,实现纱管分类。实验结果表明:该方法的识别率达到88.2%,较传统分类方法识别率提升15个百分点左右,相比于其他神经网络模型具有识别率高、所需时间短的优点,满足实际工业需求。

针对红外图像背景复杂, 分辨率低、对比度差等问题, 本文基于 RGB、HSV颜色空间转换和 Seam Carving缩放处理, 提出一种改进卷积神经网络(Convolutional Neural Network, CNN)的电力设备红外图像智能分类模型。首先, 着眼于 CNN的结构特点, 以 AlexNet网络模型为原型, 建立 CNN-Alex模型; 然后, 提出一种基于 RGB和 HSV颜色空间转换和基于 Seam Carving算法的设备红外图像处理方法, 分离目标设备红外背景及调整图像至合适大小, 对 CNN-Alex模型加以改进, 提高算法训练速度和准确率; 最后将改进 CNN模型与传统 BP模型和 CNN-Alex模型对比, 其训练集、验证集准确率分别为 99.5%、97.7%, 远优于对比模型, 验证了本文改进 CNN红外图像分类模型的良好适用性。

为解决飞机尾涡威胁后机飞行安全问题，保障空中交通安全，提高机场和空域容量，提出了一种基于 AlexNet卷积神经网络模型的算法，实现飞机尾涡的准确识别。结合多普勒激光雷达探测原理和 Hallck-Burnham尾涡速度经典模型，构建了 AlexNet神经网络模型提取大气风场中的尾涡速度云图的图像特征，识别飞机尾涡。研究表明，该模型能够准确识别目标空域中的飞机尾涡，网络模型收敛后对尾涡识别的准确率高达 91.30%，并具有低虚警率，能有效地实现对飞机尾涡的识别和预警，达到尾涡监测的目的。

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

在实际交通环境中,所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响,这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型,该模型在传统AlexNet模型基础上,以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将所有卷积层的卷积核修改为3×3大小,为了预防和减少过拟合的出现在两个全连接层后加入dropout层,并且为了提高交通标志识别精度,在网络模型第5层后增加两层卷积层。实验结果表明,改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。