检索结果-南通市图书馆

基于分窗Gram-Schmidt高光谱降维的水稻纹枯病检测

在线全文

学校读者我要写书评

暂无评论

沈阳农业大学学报 2019年第6期50卷 713-721页

作者：曹英丽肖文江凯伦郭宝赢刘亚帝王洋沈阳农业大学信息与电气工程学院/辽宁省农业信息化工程技术中心

纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和201... 详细信息

纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和2018两年水稻盆栽纹枯病接种试验与大田纹枯病调查试验样本高光谱数据,探讨了分窗Gram-Schmidt变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。结果表明:基于分窗GramSchmidt变换可有效实现高光谱数据的降维,盆栽样本高光谱降到4维,纹枯病检测模型决定系数R2为0.8373,均方误差MSE为0.0406;大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9701,均方误差MSE为0.0065。主成分分析法降维,盆栽样本高光谱降到6维,纹枯病检测模型决定系数R2为0.7931,均方误差MSE为0.049,大田样本高光谱降到6维,纹枯病检测模型决定系数R2为0.9658,均方误差MSE为0.0078;连续投影法降维,盆栽样本高光谱降到8维,纹枯病检测模型决定系数R2为0.8132,均方误差MSE为0.0466,大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9685,均方误差MSE为0.0072。对比主成分分析法和连续投影法,基于分窗Gram-Schmidt变换的高光谱降维效果与纹枯病检测精度均效果较好,可为高光谱降维与水稻纹枯病防治提供一定的理论基础和技术支撑。

关键词：水稻纹枯病高光谱降维主成分分析连续投影法 Gram-Schmidt变换

在线全文

学校读者我要写书评

暂无评论

结合纯像元提取和ICA的高光谱降维方法

计算机应用研究 2011年第3期28卷 1183-1185页

作者：刘良春冯燕西北工业大学电子信息学院西安710072

为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析(independent component analysis,ICA)混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(virtual dimensionalit... 详细信息

为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析(independent component analysis,ICA)混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(virtual dimensionality,VD)确定特征个数,采用自动目标生成过程(automatic targetgeneration process,ATGP)从原始数据中提取纯像元向量,作为ICA算法的初始化向量,以负熵为目标函数产生独立分量,并通过高阶统计量筛选实现高光谱数据的降维。分类实验结果表明,该方法不仅解决了传统ICA的随机排序问题,而且与经典降维算法主分量分析(principal components analysis,PCA)相比,分类精度提高了6.83%,在大大降低高光谱数据量的情况下很好地保留了高光谱数据的特征,有利于数据的后续分析和应用。

关键词：高光谱降维高光谱线性模型独立分量分析虚拟维数

在线全文

学校读者我要写书评

暂无评论

高光谱图像降维的判别流形学习方法

光子学报 2013年第3期42卷 320-325页

作者：杜博张乐飞张良培胡文斌武汉大学计算机学院武汉430072 武汉大学测绘遥感信息工程国家重点实验室武汉430072

本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点,引入改进的流形学习方法对高光谱遥感数据进行降维处理,以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类... 详细信息

本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点,引入改进的流形学习方法对高光谱遥感数据进行降维处理,以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息,将输入样本的类别信息加入到常规流形学习方法的框架中,从本质上提高输出的特征在低维空间中的判别力.同时,引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明,基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.

关键词：流形学习高光谱降维分类

水稻叶片高光谱数据降维与叶绿素含量反演方法研究

在线全文

学校读者我要写书评

暂无评论

沈阳农业大学学报 2019年第1期50卷 101-107页

作者：曹英丽邹焕成郑伟江凯伦于丰华沈阳农业大学辽宁省农业信息化工程技术中心/信息与电气工程学院沈阳110161

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含... 详细信息

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。

关键词：叶绿素高光谱降维基函数展开最优子集选择特征光谱指数水稻叶片

在线全文

学校读者我要写书评

暂无评论

高光谱数据降维与水稻氮素含量解析方法

沈阳农业大学学报 2021年第1期52卷 109-115页

作者：曹英丽肖文刘亚帝江凯伦郭宝赢于丰华沈阳农业大学信息与电气工程学院/辽宁省农业信息化工程技术中心沈阳110161

水稻营养监测、病虫害诊断中高光谱技术提供了有效、便捷的技术手段,高光谱数据的降维和特征提取至关重要。为了探索有效的高光谱降维方法,利用2019年沈阳市沈北试验基地水稻分蘖期、拔节期和抽穗期的叶片光谱数据及实测的氮素含量数据... 详细信息

水稻营养监测、病虫害诊断中高光谱技术提供了有效、便捷的技术手段,高光谱数据的降维和特征提取至关重要。为了探索有效的高光谱降维方法,利用2019年沈阳市沈北试验基地水稻分蘖期、拔节期和抽穗期的叶片光谱数据及实测的氮素含量数据,首先分窗口对原始高光谱进行Gram-Schmidt变换找到投影空间并映射出主基底,保留具有显著性概率的主基底,其极大极小值为特征波段,实现高光谱数据降维与特征波段提取;其次利用降维后构建特征建立水稻叶片氮素含量估测模型;最后对比分析本研究方法与主成分分析、植被指数及特征参数等降维方法。结果表明:基于分窗Gram-Schmidt变换可有效实现高光谱数据的降维,高光谱降到4维,水稻叶片氮素含量估测模型5折交叉验证决定系数CV_R2为0.787,均方误差CV_MSE为0.051;基于主成分分析法降维,高光谱降到5维,CV_R2为0.743,CV_MSE为0.056;单个植被指数,效果最好的是GNDI(911,487),CV_R2为0.667,CV_MSE为0.076;多个特征光谱指数最优化选择7个特征,分别为SI(487),RI(601,487),DI(911,487),DDI(990,685,487),NDI(990,685),NDI(990,601)和GNDI(911,487),CV_R2为0.731,CV_MSE为0.072。说明采用全波段降维的方法优于植被指数及特征降维,并且本研究提出的分窗Gram-Schmidt变换在降维的同时也能获取包含主要信息的波段,优于主成分分析法。综上所述,基于分窗Gram-Schmidt变换的高光谱可为高光谱降维与水稻叶片氮素含量估测提供一定的理论基础和技术支撑。

关键词：高光谱降维 Gram-Schmidt变换主成分分析植被指数水稻氮素含量

在线全文

学校读者我要写书评

暂无评论

基于支持向量机的高光谱图像降维与分类研究

基于支持向量机的高光谱图像降维与分类研究

作者：甘乐长江大学

学位级别：硕士

由于高维特征空间通常会导致不适定问题,针对高光谱影像的统计模式识别是非常艰巨的任务。随着波段数目的增加,高光谱影像分析则面临Hughes现象等障碍,因此促进了子空间学习方法的发展,它能够有效处理有限训练样本下的高维数据集情形。... 详细信息

由于高维特征空间通常会导致不适定问题,针对高光谱影像的统计模式识别是非常艰巨的任务。随着波段数目的增加,高光谱影像分析则面临Hughes现象等障碍,因此促进了子空间学习方法的发展,它能够有效处理有限训练样本下的高维数据集情形。子空间学习的目标是在保持原始数据主要本征信息的同时获取高维数据样本的低维表示。类似于大量经典分类器,作为一种判别性分类器,支持向量机(Support vector machines, S VMs)也是基于判别函数和后验类分布构建的。由于支持向量机分类器具备处理高维空间并产生稀疏解的性能,已经在高光谱影像分类领域展示出非常优异的性能。本文详细介绍一系列子空间学习方法,并结合支持向量机分类器,然后利用两种不同的高光谱数据集对不同降维算法的分类表现进行系统评估,随后本文提出融合高光谱影像多种特征的多核学习框架,并将其同其它经典高光谱分类器进行定量比较。本文的主要研究内容如下：(1)系统阐述了主要的子空间学习算法基本原理,详细介绍了经典的线性降维方法PCA、LDA和典型的ISOMAP、LLE、LE、LPP、LFDA等经典非线性流行算法的基本流程以及半监督子空间学习策略。随后,对高光谱影像数据的本征维度问题进行系统探讨,并引入虚拟维度的概念。(2)对高光谱影像分类的支持向量机理论进行系统的研究。首先概略介绍了支持向量机分类器的理论基础统计学习理论。随后,提出了支持向量机分类器的线性、核方法以及半监督等多种不同的模型形式。最后,详细论述高光谱影像分类的不同评价指标,并结合多种不同的子空间学习方法基于支持向量机进行分类结果评价,比较各种不同降维算法在相同条件下的分类表现。(3)提出一种融合多种特征的局部保持的多核学习框架。本文在现有的研究基础上,结合原始光谱特征、局部保持特征和空间属性特征,并将这些特征融合到统一的多核学习框架,并探究可能的最优核组合模型。随后,将本文提出的框架同当前经典的分类算法作比较分析,结果显示本文提出的框架在分类结果上具有明显的优势。

关键词：高光谱降维流形学习支持向量机拓展多属性坡面模型多核学习

CPU/GPU异构系统下高光谱遥感影像线性降维并行算法研究与实现

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

CPU/GPU异构系统下高光谱遥感影像线性降维并行算法研究与实现

作者：方民权国防科学技术大学

学位级别：硕士

如何对高光谱信息进行高效处理是遥感领域近年来的研究热点,高光谱图像降维是做好后续地物分析识别的一个关键步骤。由于降维计算是一个典型的计算密集和访存密集型过程,计算复杂度较高,采用传统串行处理模式已无法满足军事、农林等高... 详细信息

如何对高光谱信息进行高效处理是遥感领域近年来的研究热点,高光谱图像降维是做好后续地物分析识别的一个关键步骤。由于降维计算是一个典型的计算密集和访存密集型过程,计算复杂度较高,采用传统串行处理模式已无法满足军事、农林等高端应用实时处理的需求。CPU+GPU异构系统可以满足应用对高度密集计算的需求,是目前乃至未来很长一段时间内高性能计算机体系结构主流发展方向之一。如何充分利用CPU/GPU异构系统的计算能力,有效提高高光谱遥感图像降维的处理速度是本文研究的关键。CPU/GPU异构系统具有3个并行层次,分别是结点间进程级、结点内线程级和GPU线程级。本文针对高光谱遥感影像线性降维中的PCA和Fast ICA两种典型降维算法,分析研究算法中多个加速热点的并行处理方案和优化策略,基于MPI、openMP和CUDA等3种主流的并行编程模型设计和实现上述3个层次的多级协同并行算法。本文的主要工作和创新有以下几点:(1)深入研究了CPU/GPU异构系统3种主流并行模式。异构系统中,除了GPU的密集计算资源外,一般还包括多CPU、多GPU、多结点等特征,要完全开发系统的性能,必须熟练掌握MPI、openMP和CUDA等主流并行技术。本文重点针对这3种并行技术的编程模型和优化策略进行了深入研究,并研究了一些混合并行的优化策略。(2)基于CPU/GPU异构系统研究并提出了一系列高光谱影像PCA并行降维算法。在分析PCA算法加速热点的基础上,提出了适用于不同并行层次的任务划分方案,给出了协方差矩阵计算、PCA变换、高光谱数据I/O等热点步骤的并行及优化策略;分别基于MPI、openMP、CUDA、MPI+CUDA、openMP+CUDA和MPI+openMP+CUDA等单一或混合编程模式提出并实现了6种PCA多级并行降维算法。实验结果表明,6种并行算法均获得了显著的性能提升,其中MPI+openMP+CUDA三级协同并行PCA降维算法获得了最高145倍的计算加速比(不含I/O)和最高128倍的总加速比(含I/O)。(3)基于CPU/GPU异构系统研究并提出了一系列高光谱影像Fast ICA并行降维算法。在分析FastICA算法加速热点基础上,提出了白化处理、ICA迭代、IC变换等热点步骤的并行及优化策略,特别是针对复杂的ICA迭代过程,提出了一种“具体-抽象-具体”的并行设计模式,并将该模式应用于ICA迭代过程的并行程序设计;结合协方差矩阵、高光谱数据I/O等并行优化策略,提出了6种Fast ICA多级并行降维算法。实验结果显示,6种并行算法均获得了良好的加速效果,其中MPI+openMP+CUDA三级并行FastICA降维算法获得了最高169倍的计算加速比和159倍的总加速比。

关键词：高光谱降维 PCA Fast ICA 协方差 CUDA 多级并行

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

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

农业机械学报 2023年第11期54卷 208-216,235页

作者：刘潭李子默冯帅王雯琦袁青云许童羽沈阳农业大学信息与电气工程学院沈阳110866 辽宁省农业信息化工程技术研究中心沈阳110866

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光... 详细信息

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练难度和训练时间。综合分析,PCA-LMPSO-SVM模型的训练效果最好,可以认为是最佳病害分级模型,其5种级别病害准确率分别为94.29%、96.43%、93.44%、98.30%和100%。因此,本文提出的方法可进一步提高水稻稻瘟病分级检测精度和可靠性,结果可为确定稻瘟病发生情况提供一定的理论基础和技术支撑。

关键词：水稻稻瘟病病害检测高光谱降维粒子群算法 LMPSO-SVM

基于分窗Gram-Schmidt变换和PSO-SVR算法的水稻纹枯病病情指数检测

同方期刊数据库博看期刊评论

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 2021年第7期41卷 2181-2187页

作者：肖文曹英丽冯帅刘亚帝江凯伦于正鑫闫丽沈阳农业大学信息与电气工程学院辽宁沈阳110161 沈阳农业大学辽宁省农业信息化工程技术中心辽宁沈阳110161

纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行... 详细信息

纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、一阶微分光谱和倒数之对数光谱),分窗口对这3种光谱分别进行Gram-Schmidt变换,找到投影空间并映射出主基底,实现高光谱数据降维,绘制具有显著性概率的主基底,其极大极小值为特征波段。此外3种光谱还采用了主成分分析和连续投影法降维。以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模,其中支持向量机回归进行粒子群优化,并以径向基为核函数,对比分析了3种降维方式的降维效果。结果表明:水稻地面冠层尺度建模效果高于低空遥感尺度建模;在光谱处理方面,低空冠层高光谱进行倒数之对数变换效果较好,地面冠层所得高光谱数据进行一阶微分变换效果较好;分窗Gram-Schmidt变换算法优于主成分分析和连续投影法;粒子群算法可以优化支持向量机中的惩罚系数和核函数参数,提高其反演精度;无人机低空遥感尺度中,高光谱进行倒数之对数处理,以分窗Gram-Schmidt变换降维,敏感波段为427.3,539.6,749.5和825.4 nm,PSO-SVR建模决定系数R 2为0.731,均方根误差RMSE为0.151;地面冠层尺度中,高光谱进行一阶微分处理,以分窗Gram-Schmidt变换降维,敏感波段为552,607,702和730 nm,PSO-SVR模型决定系数R 2为0.778,均方根误差RMSE为0.147。因此,高光谱技术可以有效地检测水稻纹枯病,并且其病情指数可用冠层高光谱进行反演,分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果,PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高,结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。

关键词：水稻纹枯病病害检测高光谱降维 Gram-Schmidt变换粒子群优化支持向量机回归