检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

土壤有机质高光谱特征与波长变量优选方法

中国农业科学 2017年第22期50卷 4325-4337页

作者：朱亚星于雷洪永胜章涛朱强李思缔郭力刘家胜华中师范大学地理过程分析与模拟湖北省重点实验室/华中师范大学城市与环境科学学院

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40... 详细信息

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg、2.02、1.04 g·kg、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。

关键词：土壤有机质高光谱变量优选偏最小二乘回归反向传播神经网络潮土

基于拉曼光谱和变量优选的棉涤混纺织物涤含量快速检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

上海纺织科技 2017年第6期45卷 53-55页

作者：罗峻姜逊杨欣卉吴淑焕广州纤维产品检测研究院广东广州511447

利用1 064 nm激发波长的便携式拉曼光谱仪扫描,采用随机蛙跳变量优选方法选取13个特征拉曼位移,建立偏最小二乘预测模型,分析了棉涤混纺织物中涤含量快速检测的拉曼光谱分析方法。结果表明:利用拉曼光谱法结合随机蛙跳变量优选方法可用... 详细信息

利用1 064 nm激发波长的便携式拉曼光谱仪扫描,采用随机蛙跳变量优选方法选取13个特征拉曼位移,建立偏最小二乘预测模型,分析了棉涤混纺织物中涤含量快速检测的拉曼光谱分析方法。结果表明:利用拉曼光谱法结合随机蛙跳变量优选方法可用于棉涤混纺织物中的涤含量快速检测,该方法操作简单,快速环保,具有较大的推广价值。

关键词：混纺织物棉涤纶含量拉曼光谱变量优选

在线全文

学校读者我要写书评

暂无评论

直升机载荷标定方程回归变量的优选方法

科学技术与工程 2017年第24期17卷 299-303页

作者：郑甲宏王泽峰沈雳中国飞行试验研究院西安710089

直升机在研制和使用的过程中需要建立结构件的输入载荷与应变电桥之间的定量关系,即载荷标定方程。直升机载荷标定方程是多元线性方程,遗漏了重要的变量,或者将不显著的变量也选入方程,会降低了载荷标定方程的精度。针对载荷标定试验数... 详细信息

直升机在研制和使用的过程中需要建立结构件的输入载荷与应变电桥之间的定量关系,即载荷标定方程。直升机载荷标定方程是多元线性方程,遗漏了重要的变量,或者将不显著的变量也选入方程,会降低了载荷标定方程的精度。针对载荷标定试验数据,采用逐步回归法将变量一个个引入,对已选入的变量进行逐个检验,将不显著的变量剔除,从而得到最优的自变量参数组合,以此得到精度高的回归方程。此方法已成功应用于直升机载荷的飞行实测。

关键词：逐步多元回归变量优选载荷标定应变参数

基于变量优选和ELM算法的土壤含水量预测研究

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2018年第7期38卷 2209-2214页

作者：蔡亮红丁建丽新疆大学资源与环境科学学院新疆乌鲁木齐830046 新疆大学绿洲生态教育部重点实验室新疆乌鲁木齐830046

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算... 详细信息

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、支持向量机、随机森林和极限学习机模型,并进行对比分析。结果显示:(1)随着小波分解的进行,总体上L6在去噪的同时还尽可能的保留了光谱原始特征,为最大分解层;(2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量,同时消除变量间的共线性;(3)在所有的SMC预测模型中,相对于BP神经网络、SVM,ELM和RF具有更好的预测能力,其中L6-CARS-SPA-ELM精度最高,其RMSEC=0.015 1,R_c^2=0.916 6,RMSEP=0.014 2,R_p^2=0.935 4,RPD=2.323 9。这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性,为该研究区SMC的预测提供新的思路。

关键词：光谱学土壤水分小波变换变量优选极限学习机

在线全文

学校读者我要写书评

暂无评论

基于变量优选及深度学习的森林蓄积量估测

基于变量优选及深度学习的森林蓄积量估测

作者：韩瑞浙江农林大学

学位级别：硕士

森林蓄积量是反映森林资源数量的重要指标之一。本研究基于变量优选和深度神经网络算法,以小班为研究单元,估测龙泉市部分区域森林资源的每亩蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据... 详细信息

森林蓄积量是反映森林资源数量的重要指标之一。本研究基于变量优选和深度神经网络算法,以小班为研究单元,估测龙泉市部分区域森林资源的每亩蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据、高分二号（GF-2）遥感影像数据、数字高程模型数据,提取多源数据组成原始特征集。将全变量数据集以及经变量优选方法（Boruta特征选择、皮尔森相关性分析、主成分分析）得到的三种数据集利用偏最小二乘算法进行建模和精度检验,确定最佳数据集用于后续实验。利用两种深度学习模型:基于LM算法改进的深度BP神经网络（Levenberg Marquard Back Propagation Deep Neuron Network,LMBP-DNN）、基于卷积神经网络与支持向量机回归的集成模型（Convolutional Neural Network Support Vector Regression,CNN-SVR）,两种浅层机器学习模型:基于LM算法改进的BP神经网络（Levenberg Marquard Back Propagation Neuron Network,LMBP-NN）、支持向量机回归模型（Support Vector Regression,SVR）训练森林蓄积量估测模型,利用十折交叉验证、网格搜索、试验法等方法对建模效果进行检验以确定模型最优参数,并对四种模型的拟合性和泛化表现进行对比分析。研究结果表明:（1）经过Boruta特征选择方法得到的数据集最优,通过筛选后保留的特征有6个:土层厚度、年龄、郁闭度、海拔、坡度和坡向;（2）十折交叉验证结合网格搜索能快速而准确地确定模型最优组合参数,提高模型精度。（3）LMBP-DNN和CNN-SVR森林蓄积量估测模型的泛化能力各有优劣,LMBPDNN的均方根误差（Root Mean Square Error,RMSE）、相关系数（Correlation Coefficient,R）、平均绝对误差（Mean Absolute Deviation,MAE）的更优,CNN-SVR的平均精度和总体精度表现更好。（4）两种深度学习模型的建模结果和泛化表现均优于浅层机器学习模型,平均估测精度均在81%以上,总体精度均达到了97%以上,基于深度学习算法对浅层机器模型的改进能提高模型的性能,在森林蓄积量估测领域具有一定的优势和研究价值。

关键词：变量优选深度神经网络多源数据融合森林蓄积量

基于变量优选和ELM算法的土壤含水量估测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于变量优选和ELM算法的土壤含水量估测研究

作者：蔡亮红新疆大学

学位级别：硕士

伴随着高光谱技术的不断发展,因其拥有高分辨率和丰富的数据等优势,其在土壤属性信息的获取中被愈来愈广泛的使用,而土壤含水量综合反映出了气候、植被、地貌及土壤质量等,是干旱、半干旱地区构建生态系统的基础,同时也是干旱、半干旱... 详细信息

伴随着高光谱技术的不断发展,因其拥有高分辨率和丰富的数据等优势,其在土壤属性信息的获取中被愈来愈广泛的使用,而土壤含水量综合反映出了气候、植被、地貌及土壤质量等,是干旱、半干旱地区构建生态系统的基础,同时也是干旱、半干旱区土壤墒情的指示标准。土壤含水量的快速估测对干旱、半干旱地区的精准农业发展具有重要的意义。本文以渭干河-库车河绿洲为靶区,以实验室内对土壤含水量的控制及相应土壤光谱反射率曲线获取的实验为基础,通过小波变换(wavelet transform,WT)对土壤反射光谱进行1层小波变换,再结合相关分析得到最大分解尺度,通过竞争性自适应重加权(competitive adaptive reweighted sampling,C ARS)、连续投影算法(successive projections algorithm,SPA)和CARS-SPA算法对最大分解尺度以内的各层小波特征光谱进行特征波长筛选,最终确定能够反映土壤含水量的最优特征波长集,分别构建基于全波段的偏最小二乘回归(partial least squares regression,PLSR)模型和基于最优特征波长集的BP神经网络(BP)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和极限学习机(extreme learning machine,ELM)模型,并进行对比分析,从中筛选出能够估测土壤含水量的最佳估测模型。通过研究得出以下结论:(1)小波分解过程中,土壤反射率与土壤含水量的相关性呈先增后减趋势,L6(小波变换第6层特征光谱)处通过0.01水平下的显著性波段达到最多,对于整体而言,L6不仅可以去噪,还与原始序列保持最大限度的相似。故将第6层选为本实验中的最大分解尺度,从而后续在最大分解尺度以内(L16)的基础上进一步分析。(2)相对于小波变换后的单层特征光谱而言,从中筛选出CARS、SPA和CARS-SPA算法中精度最高的估测模型,发现CARS-SPA算法获得的特征波长所构建的模型的精度相对较好,这说明利用SPA算法对CARS算法所获取的特征波段进行二次筛选,不仅可以简化模型,而且可以提升模型精度。总体上CARS-SPA-FULL所构建的PLSR模型精度最高,说明将小波分解后的L16层特征光谱的CARS-SPA二次筛选结果合并作为最优特征波长集(CARS-SPA-FULL),这能够增加模型的精度。(3)通过对土样进行小波变换与CARS-SPA算法耦合筛选出变量,得到的最优特征变量集包括40000、1320461、1851961、2125268 nm区域之间共43个波长变量。(4)在最优特征波长集的基础上,分别建立不同建模方法,并进行比较分析可知,在所有的土壤含水量估测模型中,其RPD均大于2.00,按精度排序为:ELM>RF>SVM>BP>PLSR,由此可知,相对于PLSR、BP、SVM,ELM和RF的估测能力更好,其中ELM的估测精度最高,其RMSEC为0.0125,R=0.9858,RMSEP=0.0186,R=0.9712,RPD=5.68。这体现出ELM估测模型对非线性问题的强解析能力和模型的稳健性,为该研究区土壤含水量的估测提供新的思路。

关键词：高光谱土壤含水量小波变换变量优选极限学习机

高光谱技术结合CARS算法预测土壤水分含量

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

农业工程学报 2016年第22期32卷 138-145页

作者：于雷朱亚星洪永胜夏天刘目兴周勇华中师范大学地理过程分析与模拟湖北省重点实验室武汉430079 华中师范大学城市与环境科学学院武汉430079

高光谱技术已成为预测土壤含水量（soil moisture content,SMC）的重要方法,但因土壤高光谱中包含了大量冗余信息和无效信息,不仅导致SMC的高光谱估算模型复杂度高,而且影响了模型的预测精度。因此,该研究在室内设计SMC梯度试验,测定土... 详细信息

高光谱技术已成为预测土壤含水量（soil moisture content,SMC）的重要方法,但因土壤高光谱中包含了大量冗余信息和无效信息,不仅导致SMC的高光谱估算模型复杂度高,而且影响了模型的预测精度。因此,该研究在室内设计SMC梯度试验,测定土壤高光谱反射率,经Savitzky-Golay平滑（Savitzky-Golay smoothing,SG）和连续统去除（continuum removal,CR）预处理后,基于竞争适应重加权采样（competitive adaptive reweighted sampling,CARS）方法分别优选出土壤在全部SMC的水分敏感波长变量,确定适用于土壤在全部SMC的共性波长变量,以其为优选变量集,采用偏最小二乘（partial least squares regression,PLSR）回归方法建立模型并进行验证。结果表明,SG和CR预处理后的光谱曲线在450、1 400、1 900、2 200 nm附近吸收峰的形状特征凸显;基于CARS方法对土壤在不同SMC的光谱曲线进行变量优选后,得出优选变量集为443～449、1 408～1 456、1 916～1 943、2 209～2 225 nm;CARS-PLSR模型性能优于全波段PLSR模型,模型预测R2、均方根误差、相对分析误差分别为0.983、0.0144、8.36,不仅提升了预测精度和预测能力,而且降低了变量维度和模型复杂度。该文通过优选土壤水分的敏感波段,有效提高了SMC预测模型的鲁棒性,为快速准确评估农田墒情提供了新途径,为开发田间SMC测定传感器提供了理论依据。

关键词：土壤水分算法模型高光谱竞争适应重加权采样算法变量优选潮土

小波变换耦合CARS算法提高土壤水分含量高光谱反演精度

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2017年第16期33卷 144-151页

作者：蔡亮红丁建丽新疆大学资源与环境科学学院乌鲁木齐830046 新疆大学绿洲生态教育部重点实验室乌鲁木齐830046

为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(compe... 详细信息

为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归(partial least squares regression,PLSR)构建土壤水分含量预测模型并进行分析。结果显示:1)小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解(L6)处达到最高,因此小波变换最大分解层数为6层分解;2)通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400~500、1 320~1 461、1 851~1 961、2 125~2 268 nm区域之间共131个波长变量;3)相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607。说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路。

关键词：土壤含水率光谱分析小波变换竞争适应重加权采样算法变量优选

棉/涤混纺织物近红外简化分析模型构建方法研究

在线全文

学校读者我要写书评

暂无评论

传感技术学报 2021年第12期34卷 1651-1655页

作者：张国丽王武天津理工大学中环信息学院天津300380

纺织品成分标签是纺织品技术法规严格控制的内容之一。论文采用近红外光谱分析技术对棉/涤混纺织物中棉含量进行分析。标准正态变量变换(SNV)用于消除由颜色、纹理和厚度等差异引起的纺织品光散射和光谱基线漂移;蒙特卡罗无信息变量消除... 详细信息

纺织品成分标签是纺织品技术法规严格控制的内容之一。论文采用近红外光谱分析技术对棉/涤混纺织物中棉含量进行分析。标准正态变量变换(SNV)用于消除由颜色、纹理和厚度等差异引起的纺织品光散射和光谱基线漂移;蒙特卡罗无信息变量消除(MCUVE)、竞争性自适应重加权算法(CARS)和迭代保留信息变量(IRIV)三种特征变量优选方法结合偏最小二乘回归(PLSR)用于棉含量近红外简化模型的构建;实验结果表明,经IRIV变量优选方法处理后,建模变量数减少到6,PLSR模型的R;和RMSEP分别为0.909和9.721。该方法为开发纺织品成分便携式近红外分析仪器的光源和探测器选用提供理论参考。

关键词：近红外简化模型变量优选棉/涤混纺织物成分标签