【电器识别】基于matlab GUI AlexNet网络电器设备识别【含Matlab源码 1391期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、AlexNet网络简介

AlexNet网络模型由Hinton以及他的学生Alex Krizhevsky所设计，并在2012年的ImageNet竞赛中获得冠军，其物体分类错误率仅有16.4%,相比于传统的机器学习分类算法而言极其出色。该模型由11层组成，分别为5个卷积层、3个池化层以及3个全连接层，其中图像特征信息的提取工作主要由卷积层和池化层完成，而全连接层的作用则是整合局部特征信息，将特征信息扁平化处理，传递给Softmax层继续完成分类任务。

相比于传统的CNN,AlexNet网络采用了许多有效的改动，例如采用了ReLU函数进行激活，起到稀疏网络减少参数的作用。ReLU函数的表达式如下：
ReLU(x)=max(0,x)。 (1)
其次，重叠池化(Overlapping Pooling)、局部归一化处理(Local Response Normalization)、在全连接层采用Dropout处理等等，这些操作大大减少了网络复杂度以及参数数量，提高了网络的训练速度，减少了过拟合。这也是本文选用该网络的主要原因之一。

Alex Net模型如图2所示，该网络由5个卷积层和3个全连接层组成，深度总共8层。最后一个全连接层的输出被送到Softmax层，会产生一个覆盖多类标签的分布。与传统神经网络相比，Alex Net模型具有以下优势：(1)采用Re Lu激活函数；(2)增强数据集来抑制过拟合；(3)采用Drop Out方法抑制过拟合；(4)采用局部响应归一化（LRN）层增强泛化。

图2 Alex Net模型

⛄二、部分源代码

function varargout = zhuti(varargin)
% ZHUTI MATLAB code for zhuti.fig
% ZHUTI, by itself, creates a new ZHUTI or raises the existing
% singleton*.
%
% H = ZHUTI returns the handle to a new ZHUTI or the handle to
% the existing singleton*.
%
% ZHUTI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in ZHUTI.M with the given input arguments.
%
% ZHUTI(‘Property’,‘Value’,…) creates a new ZHUTI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before zhuti_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to zhuti_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help zhuti

% Last Modified by GUIDE v2.5 26-Apr-2022 23:34:18

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @zhuti_OpeningFcn, …
‘gui_OutputFcn’, @zhuti_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before zhuti is made visible.
function zhuti_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to zhuti (see VARARGIN)
axes(handles.axes1);
imshow([255]);
axes(handles.axes2);
imshow([255]);
axes(handles.axes3);
imshow([255]);
axes(handles.axes4);
imshow([255]);
axes(handles.axes5);
imshow([255]);
% Choose default command line output for zhuti
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes zhuti wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = zhuti_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
global tu
global testImd
axes(handles.axes1)
[filename,pathname]=uigetfile({ …
‘.’,‘All Files(.)’;},…
‘选择文件’);
%
if isequal([filename,pathname],[0,0])
return

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]徐兢成,王丽华.基于AlexNet网络的交通标志识别方法[J].无线电工程. 2022,52(03)
[2]费宏运,陈庚,迟兆瑞,赵增顺.基于AlexNet的新冠肺炎CT图像识别的可行性分析[J].信息与电脑(理论版). 2021,33(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合