1、“.....最大的特点就是在于卷积的权值共享，利用空间结构减少学习的参数量，防止过拟合的同时减少计算量。在对深入研究基础上，提出了种可以直接作，基于机器学习的智能昆虫分目识别算法应用论文原稿，。结语本文针对昆虫的智能识别建立在上述原理及实验上，最大的特点就是在于卷积的权值共享，利用空间结构减少学习的参数量，防止过拟合的同时减少计算量。在对深入研究基础上，提出了种可以直接作用于昆虫识别的方法。传统昆虫识别方法依据经验人为地从昆虫外表中提取特征，再在该特征上查找索引表进行分类识别，存在盲目性操作复杂和分类精度低等缺陷，基于的昆虫识别方法不存在上述缺点，征值矩阵中最大的个特征值对应的特征向量矩陣将原数据乘以得到降维后的新矩阵......”。

2、“.....摘要以智能昆虫分目识别系统为背景，本文运用卷积神经网络原理提出基于的昆虫图像识别方法，提高自然环境下昆虫的智能识别效率。本文利用神经网络的预训练模型来进行昆虫图像的特征提取，从而实现昆虫的智能识别，仿真实验证明本优化算法确实对智能昆特征降维处理利用神经网络进行的特征提取通常维数较高并且存在大量冗余信息，因此需要对这些特征进行降维处理。假设个数据集有个样本，每个样本是维，则该数据集可表示为。降维就是说把变成，其中，这样样本可以由更少维度的特征来表示。常用的降维算法有主成分分析算法有监督的线性降维算法，局部线性嵌入等。几种算法中，是丢失原始信息最少的种方法并且计算特征用于图像分类......”。

3、“.....全连接层将卷积层产生的特征图映射成个固定长度的特征向量。这个特征向量包含了输入图像所有特征的组合信息，虽然丢失了图像的位置信息，但是该向量将图像中含有最具有特点的图像特征保留了下来以此完成图像分类任务。从图像分类任务的角度来看，计算机只需要对图像内容进行判定，计算输入图像具体所属类别数值，将最有可能的类别输出即可完成分类任务。昆虫图像识别模型射成个固定长度的特征向量。这个特征向量包含了输入图像所有特征的组合信息，虽然丢失了图像的位置信息，但是该向量将图像中含有最具有特点的图像特征保留了下来以此完成图像分类任务。从图像分类任务的角度来看，计算机只需要对图像内容进行判定，计算输入图像具体所属类别数值......”。

4、“.....昆虫图像识别模型的建立建立昆虫图像集实验前期每个目选出张昆虫图像，并对这些图像进行来表示。常用的降维算法有主成分分析算法有监督的线性降维算法，局部线性嵌入等。几种算法中，是丢失原始信息最少的种方法并且计算方法也比较简洁，适合图像识别的使用。实际上是要找到样本空间中的组新的基，将原数据在这组新基上进行投影，使得投影后的方差最大或者说投影使损失最小。利用算法将数据集中样本的维度降为维，则降维后数据集可表示为。利用环境下昆虫的智能识别效率。本文利用神经网络的预训练模型来进行昆虫图像的特征提取，从而实现昆虫的智能识别，仿真实验证明本优化算法确实对智能昆虫识别有着较高的应用价值......”。

5、“.....对照模式标本鉴定识别，费时费力。或者农户凭借自身经验对昆虫进行识别，但是农基于机器学习的智能昆虫分目识别算法应用论文原稿建立建立昆虫图像集实验前期每个目选出张昆虫图像，并对这些图像进行特征提取，建立昆虫数据集。由于同昆虫的图像相似性很高，并且为了防止出现过拟合现象，同时使图像数据更为丰富，在对图像进行特征提取之前，先做数据提升操作，将图像分别从水平和竖直方向做定幅度的偏移，以及以图像的个点为中心实现图像的转动，从而使提取的特征更具代表性。提升。以张大头丽蝇图像为例，对该图像进行数据提升。第步每个目取张图像构成最终的数据集......”。

6、“.....该网络以大小为的图片作为输入，以维向量作为昆虫图像的特征向量输出，最后将提取的的张量作为图像数据集的特征向量保存至相应文件中。基于机器学习的智能昆虫分目识别算法应用论文原稿。全连接层全连接层的作用是将经过多个卷积层和池化层的特征图中的特征进行整合，将获取的图征提取，建立昆虫数据集。由于同昆虫的图像相似性很高，并且为了防止出现过拟合现象，同时使图像数据更为丰富，在对图像进行特征提取之前，先做数据提升操作，将图像分别从水平和竖直方向做定幅度的偏移，以及以图像的个点为中心实现图像的转动，从而使提取的特征更具代表性。第步数据预处理，为提高昆虫图像识别的准确率，在建立数据集的时候就选取清晰的昆虫图像......”。

7、“.....全连接层全连接层的作用是将经过多个卷积层和池化层的特征图中的特征进行整合，将获取的图像特征用于图像分类。在卷积神经网络中，全连接层将卷积层产生的特征图所认识的昆虫毕竟有限，且仅凭借肉眼观察对于外形相似的昆虫难以进行明确的判断。传统的昆虫识别的费时费力，准确度不高，严重影响后期对昆虫防治工作的开展。特征降维处理利用神经网络进行的特征提取通常维数较高并且存在大量冗余信息，因此需要对这些特征进行降维处理。假设个数据集有个样本，每个样本是维......”。

8、“.....降维就是说把变成，其中，这样样本可以由更少维度的特。摘要以智能昆虫分目识别系统为背景，本文运用卷积神经网络原理提出基于的昆虫图像识别方法，提高自基于机器学习的智能昆虫分目识别算法应用论文原稿，于昆虫识别的方法。传统昆虫识别方法依据经验人为地从昆虫外表中提取特征，再在该特征上查找索引表进行分类识别，存在盲目性操作复杂和分类精度低等缺陷，基于的昆虫识别方法不存在上述缺点，并且实验结果证明了该方法在昆虫识别时的高效可靠。参考文献伊恩古德费洛，约书亚本吉奥，亚伦库维尔深度学习赵申剑，黎彧君，符天凡李凯译北京人民邮电出版社，龚丁禧，曹长荣基于卷积神经网络的植物叶。由于每个神经元都和相邻层的神经元相连接......”。

9、“.....显然这种方式不是必须的。全连接层的方式对于图像数据来说显得很繁琐，因为图像本身具有维空间特征，即局部特性。譬如看只昆虫的图片，看到昆虫的个典型局部特征就可以知道昆虫的种类。但是出现张新图时，并不能准确地知，且实验结果证明了该方法在昆虫识别时的高效可靠。参考文献伊恩古德费洛，约书亚本吉奥，亚伦库维尔深度学习赵申剑，黎彧君，符天凡李凯译北京人民邮电出版社，龚丁禧，曹长荣基于卷积神经网络的植物叶片分类计算机与现代化，于林森，张田文，张开越图像检索中的相似性判别及索引方法综述小型微型计算机系统，张惠凡，罗泽基于卷积神经网络的鸟类视频图像检索研究科研信息化技术与应用，识别有着较高的应用价值......”。