遥感反演时间序列叶面积指数的集合卡尔曼平滑算法

基于MODIS LAI产品数据集(MOD15A2)构建经验性的LAI动态模型,以LAI作为连接参数,将LAI动态模型与植被辐射传输模型MCRM2相耦合,提出了将耦合模型与时间序列MODIS反射率观测数据集(MOD09A1)同化进行LAI反演的方案.将集合卡尔曼平滑(EnKS)方法引入到LAI同化反演中,为更好地评价该算...     

甘蔗清糖浆锤度近红外光谱分析的模型优化

采用偏最小二乘法(PLS)和光谱Savitzky-Golay(SG)平滑方法,建立甘蔗清糖浆锤度近红外光谱分析的优化模型。基于最优单波长模型预测效果划分定标集和预测集。全谱(400—2500nm)经过SG平滑处理后用PLS方法建模。建立计算机算法平台,把483种SG平滑模式和1—40的PLS因子数任意组合分别建立PLS模型,根据预测效果选出最优模型,最优模型的SG平滑模式为二阶导数平滑、4、5次多项式类型、43平滑点数,PLS因子数为13,预测均方根偏差(RMSEP)、相对预测均方根偏差(RRMSEP)和预测相关系数(rP)分别为0.433%、0.69%和0.978。预测精度很高,并且大幅度优于未做SG平滑处理直接PLS建模的预测效果。从而表明,SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于近红外光谱分析的模型优选。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。     

FTIR/ATR光谱应用于甘蔗糖蜜锤度的快速测定

采用FTIR/ATR光谱,偏最小二乘法(PLS)和Savitzky-Golay(SG)平滑方法建立甘蔗糖蜜锤度的快速测定方法和光谱分析的优化模型。基于全谱4500—600cm-1,利用计算机算法平台,把483种SG平滑模式和1—40的PLS因子数任意组合分别建立PLS模型。根据预测效果,最优模型为原谱平滑,2、3次多项式类型,45平滑点数,PLS因子数为6,预测均方根偏差(RMSEP)、预测相关系数(rp)和相对预测均方根偏差(RRMSEP)分别为0.978%、0.902%和1.05%,预测精度很高,并且大幅度优于未做SG平滑处理直接用PLS建模的预测效果。从而表明,FTIR/ATR光谱能够应用于甘蔗糖蜜锤度的快速准确测定,SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于FTIR/ATR光谱分析的模型优选。     

大豆叶面积指数的高光谱估算方法比较

叶面积指数(leaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。通过分析大量实测数据,选用归一化植被指数(normalized difference vegetation index,NDVI)和比值植被指数(ratio vegetation index,RVI)、主成分分析(principcal component analysis, PCA)、神经网络(neural network NN)三种方法对大豆使LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法(NDVI,RVI),主成分分析,神经网络方法LAI都取得了较为理想的结果,验证模型的确定性系数分别达0.758和0.753, 0.954, 0.899,其中主成分分析方法和神经网络方法精度较高,主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.267,明显低于两个植被指数(NDVI和RVI的RMSE分别为0.594和0.616)和神经网络(RMSE=0.413)。当叶面积指数较小时,植被指数能够较好地去除土壤、大气等条件影响,并精确估算LAI;当叶面积指数较大时,主成分分析能够弥补植被指数饱和的缺陷,得到很好的LAI估算效果。神经网络受LAI大小的影响效果居中,其对叶面积指数较小和较大时具有一致的估算效果,具有较好的应用潜力。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换量

为实现土壤中有机碳(TOC)含量和阳离子交换量(CEC)的快速检测, 对300个土壤样品的可见/近红外光谱数据进行了分析。使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解, 得到独立成分和相应的混合系数矩阵, 再利用误差反向传播算法(back-propagation, BP)构造三层神经网络结构。为了克服传统BP神经网络结构难以确定和易于陷入局部极小点的缺点, 采用遗传算法优化BP神经网络结构和初始权值, 得到ICA-GA-BP模型。利用此模型对土壤中TOC含量和CEC进行预测, 根据预测相关系数(R2)和预测标准偏差(RMSEP)来评价预测模型的性能, 表明该模型对TOC含量和CEC测定的相关系数R2均达到0.98以上。说明文章提出的ICA-GA-BP建模方法具有很好的预测效果, 为土壤品质的鉴别提供了一种新方法。     

预分浊音型的LPC基音提取法

本文介绍一种预分浊音型的LPC基音提取算法,对语言信号先用线性预测系数a_0和a_1的差值分出浊音区,然后只对浊音部分进行基音提取。提取基频时,数据率减半,用LPC的自相关方法产生8个预测系数的倒滤波器,倒滤波后的误差信号,用平均幅差函数(AMDF)方法提取基频,再线性插值,最后用非线性平滑滤波,并将所得结果和一个半自动的精确算法,以及简化倒滤波(SIFT)算法进行比较,说明我们提出的算法,对背景噪声40dB以下的连续语言是准确有效的。它避免了清音和无声间隙区的音调计算,且浊音和清音的判别比较准确。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

Vis-NIR光谱模式识别结合SG平滑用于转基因甘蔗育种筛查

以Savitzky-Golay (SG)平滑筛选,主成分分析(PCA)分别结合有监督的线性判别分析(LDA)、无监督的系统聚类分析(HCA),应用于转基因甘蔗育种筛查的可见-近红外(Vis-NIR)无损检测。提出兼顾随机性、稳定性的定标、预测、检验框架;取田间种植处于伸长期甘蔗叶样品456个,具有Bt基因和Bar基因的转基因样品(阳)306个,非转基因样品(阴)150个;随机选取156个为检验集(阴性50、阳性106),余下为建模集(阴性100、阳性200,共300),建模集再随机划分为定标集(阴性50、阳性100,共150)、预测集(阴性50、阳性100,共150)共50次;扩充SG平滑点数,同时删除绝对值偏小的高阶导数模式,共264个平滑模式用于模型筛选;采用前3个主成分两两组合,再根据模型效果选出最优主成分组合;基于所有定标、预测集划分和SG平滑模式,建立SG-PCA-LDA和SG-PCA-HCA模型,根据平均预测效果优选参数,使模型具有稳定性;最后用检验集进行模型检验。经SG平滑后,PCA-LDA和PCA-HCA的建模精度、稳定性均显著改善;最优SG-PCA-LDA模型阳性、阴性样品检验识别率分别达到94.3%和96.0%;最优SG-PCA-HCA模型阳性、阴性样品检验识别率分别达到92.5%和98.0%。结果表明：Vis-NIR光谱模式识别结合SG平滑可用于转基因甘蔗叶的准确识别,提供了一种简便的转基因甘蔗育种筛查方法。     

基于BP神经网络的人体血液中红细胞浓度无创检测

采用BP神经网络算法模型对人体血液红细胞浓度进行无创检测。对获取的动态光谱数据和红细胞实测值利用BP神经网络进行建模分析,校正集输出对期望值的跟踪较好,相关系数R达到了0.993,用建立起的BP神经网络模型去检验预测集输出值,得到预测集的相对误差最大为4.7%,平均相对误差为2.1%,预测能力较为理想。结果表明：用BP神经网络模型能够较准确的处理动态光谱数据和人体红细胞实际值的非线性关系,提高了血液成分无创测量在临床上应用的可行性,具有较高的应用价值。     

基于视神经网络的混沌时间序列奇异信号实时检测算法

提出了一种基于视神经网络的实时检测混沌时间序列中的奇异点算法,设计了视神经网络奇异点检测器(RNNND);然后设计了基于反向传播(BP)神经网络和径向基函数(RBF)神经网络的混沌时间序列奇异点检测器.利用Lorenz理论模型产生的时间序列和实测输油管道压力时间序列分别检验了这3个奇异点检测器在抗干扰能力、检测微弱信号能力和运算速度等方面的性能.仿真和分析表明,RNNND具有良好的检测精度和较快检测速度.最后详细分析了3种奇异点检测器优缺点并给出了适用场合.     

PCA-BP模型在判别基于LIF技术煤矿突水水源的应用

防治煤矿突水时需迅速精准地判别突水水源,激光诱导荧光(LIF)光谱技术具有灵敏度高、快速准确监测特点,为检测突水水源提供了一种新的方法。该研究引入该技术以获取突水荧光光谱数据。采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理,以消除光谱采集过程中噪声干扰。采用主成分分析(PCA)方法提取特征信息,针对SG预处理后的数据,当主成分个数为3时,累积贡献率可达到99.76%,已基本保留原数据的全信息。选择3层结构BP神经网络建立分类判别模型,通过不同方式构造训练集和测试集,SG预处理数据构建的分类模型可以达到精准判别,而对于MSC预处理和原始数据出现很少的误判。实验结果表明SG预处理结果要优于MSC预处理。研究结果表明,将PCA和BP神经网络结合建立分类模型,能有效判别煤矿突水水源,且具有较强的自组织、自学习能力。     

基于BP神经网络的弗兰克-赫兹实验曲线拟合

BP神经网络通过调整连接权重便可按预定精确度逼近非线性函数,利用这一特点可对非线性函数关系进行拟合.利用BP神经网络对弗兰克-赫兹实验数据进行处理,结果显示该方法处理结果精度高,拟合效果好.     

基于BP神经网络的磁滞回线的曲线拟合

BP神经网络通过调节连接权重可以实现以任意精度逼近非线性函数,利用这一特点可对非线性函数关系进行拟合。本利用BP神经网络对测定磁滞回线实验中的数据进行处理,结果表明该方法处理结果精度高,拟合效果好,计算机处理程序通用。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

基于神经网络的虚拟靶标大视场双目相机标定技术

针对大视场双目相机标定中的精度低和非线性畸变问题,提出了一种结合BP神经网络的大尺寸虚拟靶标标定技术。鉴于单角点棋盘格具有易制作、高精度的特性,构建大尺寸虚拟靶标;利用神经网络的非线性映射能力直接建立角点的像素坐标和世界坐标映射关系;用建立的映射网络对测试样本进行三维重建,并与传统的线性标定方法进行对比实验。结果表明,该方法操作简单,且重建距离相对误差为0.92%,优于传统的线性标定方法,可用于大视场双目相机标定。     

采用BP神经网络研究C-F键核自旋偶合常数

通常理论研究核自旋偶合常数的方法是基于线性模型进行拟合和预测，该方法在拟合和预测中仍有较大误差. 本文在前面工作的基础上，提出了基于非线性模型对C-F键核自旋偶合常数进行研究的观点，采用BP神经网络方法对C-F键核自旋偶合常数的函数关系式进行拟合，并用拟合结果对4种化合物的偶合常数进行预测. 结果表明，采用非线性的BP神经网络方法其训练效果与预测效果均优于线性模型方法；其预测误差对文中的4种化合物不超过0.40%.     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。