一种植物图片的自动分类方法技术

本发明专利技术公开了一种植物图片的自动分类方法，其特征在于，包括如下步骤：(1)构建模糊神经网络FNN；(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。本发明专利技术根据植物图片的多种特征类型，设计了模糊神经网络FNN，并采用NTVE-PSO对模糊神经网络进行训练，确定最优模糊神经网络，然后将植物图片特征信息重新输入到最优模糊神经网络进行分类识别。本发明专利技术提高了植物图片的分类准确率，分类精度高，鲁棒性好，可以用于大量的植物图片的分类识别，同时也可以用于其他目标的分类识别。

【技术实现步骤摘要】

本专利技术涉及。
技术介绍
分类识别作为植物图片自动分类的一个关键技术，主要通过相似性测量，使用特征判别函数将各种植物归入某种性质或类别的集合。最近由于计算机技术、人工智能技术的广泛应用，植物图片的自动分类方法也得到了迅速发展以及应用，已经出现了许多新颖、实用的理论与方法。根据判别函数以及训练方法的不同，分类方法主要包括以下六种:经典分类方法、模糊方法、灰色系统方法、神经网络方法、句法结构方法以及统计学习方法等。其中神经网络方法由于识别率高、学习性强而被广泛应用。
技术实现思路
本专利技术要解决的技术问题是提供，减少传统人工分类过程中耗费人力、物力，同时也可以对植物图片进行规范化描述。本专利技术采用如下技术方案实现专利技术目的:，其特征在于，包括如下步骤:(I)构建模糊神经网络FNN ；(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。作为对本技术方案的进一步限定，所述模糊神经网络FNN包本文档来自技高网...

【技术保护点】
一种植物图片的自动分类方法，其特征在于，包括如下步骤：(1)构建模糊神经网络FNN；(2)用一组植物图片的特征信息作为训练数据集，通过NTVE?PSO方法训练FNN，从而得到最优模糊神经网络；(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。

【技术特征摘要】
1.种植物图片的自动分类方法，其特征在于，包括如下步骤: (1)构建模糊神经网络FNN； (2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络； (3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。2.据权利要求1所述的植物图片的自动分类方法，其特征在于，所述模糊神经网络FNN包括输入层、基于语义约束的模糊层、模糊规则层、标准层和输出分类层，所述输入层为第一层，包含m个节点，接收植物图片的各种特征作为输入数据，同时向基于语义约束的模糊层输出数据； 所述基于语义约束的模糊层为第二层，该层的模糊输入被送到存储在成员函数矩阵与语义约束矩阵的信息基上，通过成员函数矩阵MFA存储每个非线性成员函数MF的所有片段，语义约束矩阵LHA用于当前MF的每个片段的迭代，对于每个输入的MF，都有一个相关的成员函数矩阵MFA和一个相关的语义约束矩阵LHA，对每个输入Zi，MFAif决定MF分段，在LHAif矩阵相关量的帮助下，通过MF (.)来模糊Zi ； 所述模糊规则层为第三层，该层实现了 TS类型的模糊规则基础，每个模糊规则都有一个常量输出； 所述标准层为第四层，该层计算每条规则的标准化输出强度； 所述输出分类层为第五层，该层为分类器的最后一层，该层由一个节点组成，其输入输出通过加权优化进行控制，根据上层的输入值选择适当的类P作为输出。3.据权利要求1所述的植物图片的自动分类方法，其特征在于，所述步骤(2)包括如下步骤: (2.1)首先选取m组不同的植物图片，获取每个植物图片特征信息； (2.2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f\，f2，…...

【专利技术属性】
技术研发人员：刘惠山，路孝君，陈怀友，
申请(专利权)人：山东华戎信息产业有限公司，
类型：发明
国别省市：