排序方式: 共有91条查询结果,搜索用时 203 毫秒
71.
72.
杨宁 《南昌大学学报(理科版)》2003,27(2):195-197
分析了模糊逻辑规则的形成过程,介绍了模糊推理方法,提出了基于模糊规则化的数据挖掘方法。由分析可以看出,基于模糊逻辑规则的方法能从大量的数据集合中有效地发现有价值但不明显的信息并挖掘出有价值的信息。在实际系统中有着一定的意义。 相似文献
73.
74.
75.
高层建筑物需要采用"异形截面桩"(简称异形桩)来提高承载力,为实现优化设计,需要对影响其力学性能的重要结构参数进行归类分析,在探究其影响机理的基础上,得出不同结构参数改变时异形桩承载能力的变化趋势与最优解.本文对异形桩进行参数化分析,在特定截面周长、面积的情况下,改变异形桩外尖角个数与夹角,探究不同截面参数对异形桩力学... 相似文献
76.
土壤性质对其吸附短链全氟羧酸的影响 总被引:1,自引:0,他引:1
本文研究了土壤理化性质对其吸附短链全氟羧酸(PFCAs)的影响.研究结果表明, Freundlich和Virial吸附等温线均可对吸附数据进行较完美的拟合,相关系数(R~2)分别介于0.9651~0.9989和0.8670~0.9985.各种土壤性质与短链PFCAs固液分配系数(K_d)的线性回归分析结果表明,蛋白质含量、阴离子交换容量(AEC)、铁氧化物含量和黏粒含量是影响土壤吸附短链PFCAs的关键性因素;土壤总有机碳(TOC)、胡敏酸、富里酸、糖类、阳离子交换容量和比表面积等因素对吸附的影响并不显著.多元线性回归分析结果表明,土壤因素对其吸附短链PFCAs影响的重要程度依次为:AEC蛋白质黏粒含量铁氧化物. 相似文献
77.
78.
79.
在近红外光谱数据定量建模中,数据的高冗余和高噪严重影响了建模的稳健性和精确性,因此提出了一种特征分层结合改进粒子群算法(PSO)的特征光谱选择方法。首先通过互信息度量特征的重要性得分,并按特征的重要性降序排序,有效避免了因采用降维方法得到主成分而引起的丢失重要信息的问题。其次,引入了跳跃度概念,并构造了一种特征分层的方法,重要性程度相似的特征并入同一个特征子集,将降序排列的特征集分割为不同的特征子集,避免了筛选特征过程中因人为设定特征重要性得分阈值而导致的不确定性。最后,采用收敛速度快、控制参数少的粒子群算法作为最优特征子集的优化方法,同时对粒子群算法做了两方面改进:引入混沌模型增加种群的多样性,提高了PSO的全局搜索能力,避免陷入局部最优;将特征数目引入到适应度函数中,在迭代前期通过惩罚因子调节特征数目对适应度函数的影响,提高了算法的适应能力。将分层后的数据以特征子集为单位,依次累加并作为改进粒子群算法的输入,从而选择出高辨别力的特征子集。以烟碱指标为例进行了特征选择过程的描述,实验采用尼高力公司的Antaris Ⅱ近红外光谱仪进行近红外光谱数据的采集,光谱扫描范围为4 000~10 000 cm-1。首先,利用互信息理论计算全光谱1 557个特征对待测指标定量建模的重要性得分,得分取30次实验的均值。其次,将所有特征按照重要性得分降序排序,计算所有特征的跳跃度,依据跳跃度寻找特征分层的临界点,将特征划分到不同的特征层中,构建了包含8个特征子集的特征集合S={S′1, S′2, S′3, S′4, S′5, S′6, S′7, S′8}。然后,依次将特征子集S′1,{S′1, S′2},{S′1, S′2, S′3},…,{S′1, S′2, S′3, S′4, S′5, S′6, S′7, S′8}作为初始粒子群的候选集,以R/(1+RMSEP)作为特征子集优劣的评价标准,各自重复实验50次,比值最大的特征子集即为最优特征子集。为验证该算法的有效性,选取了具有代表性烟叶近红外光谱数据作为训练集和测试集,建立了烟碱、总糖两个指标的PLS定量模型,并分别与全光谱、分层后的特征光谱、粒子群算法选出的特征光谱进行了比较。仿真结果表明,本算法所选特征烟碱、总糖的建模相关系数r分别为0.988 5和0.982 2,交互验证均方差RMSECV分别为0.098 4和0.889 3,预测均方根误差RMSEP分别为0.100 7和0.901 6,模型准确率均明显高于其他三种方法。从所选特征数来看,该算法所选特征数最少,有效剔除了原特征集中的弱相关和噪声、冗余信息,所建模型的主因子数最少,降低了模型的复杂性,模型更加稳健,适应性更广。 相似文献
80.
为了实现对茶叶病害的准确预测,避免病害特征提取过程中对茶叶的二次破坏,利用荧光透射技术对茶叶赤叶病叶片的荧光透射光谱特性展开研究。实验采集了健康茶叶叶片样本45个、赤叶病初期叶片样本60个及赤叶病中期叶片样本60个,并按照2∶1的比例划分成训练集和预测集样本数,通过荧光透射手段利用高光谱仪器采集这些叶片的原始荧光透射光谱。通过对这3组叶片样本平均光谱强度曲线的分析,证实了利用荧光透射光谱信息对这3种病害类型叶片进行分类的可行性。然后使用多项式平滑(savitzky-golay, S-G)方法对原始光谱进行平滑和降噪处理。最后采用竞争性自适应重加权抽样法(competitive adaptive reweighted sampling, CARS)对预处理后的光谱数据进行特征波长的选取。经过50次加权采样后,最终选取出4个特征波长,分别为:463,512,586和613 nm。为了最大化提取样本的病害特征信息,强化分类器输入病害特征值的典型性,使用高光谱反射技术,采集4个特征波长下的高光谱图像,分别使用2种不同的纹理提取算法提取病害叶片图像的纹理信息进行对比分析。首先利用灰度共生矩阵(GLCM)提取4幅图像的纹理信息,分别计算4个方向的灰度共生矩阵(0°,45°,90°及135°),然后计算5个共生矩阵的均值和方差。为了提高鲁棒性,取4幅图像纹理信息的平均值作为该叶片的纹理特征值,最终得到10个特征值。利用LBP(local binary patterns)算法获取特征波长下高光谱图像的纹理信息,并使用Uniform模式对LBP模型进行降维,最终每幅图像得到944个维度的LBP特征值,同样取4幅图像的平均值作为该叶片的LBP纹理特征值。最后通过极限学习机(ELM)分别建立特征光谱联合灰度共生矩阵纹理信息及LBP算子纹理信息的预测模型,由于模型的输入特征值不在一个量纲,首先对输入特征值进行归一化处理,然后再定义模型的输出标签,即健康叶片的预测模型输出为1,赤叶病早期为2,中期为3。实验测得基于CARS-GLCM-ELM模型的预测准确率为81.82%,基于CARS-LBP-ELM模型的预测准确率为85.45%,说明利用荧光透射光谱联合LBP算子纹理信息预测效果更好。由于没有达到预期效果,利用Softplus函数对ELM的隐含层激活函数进行了优化,替换掉原来的Sigmod函数,优化后的模型预测分类正确率达到92.73%,基本达到了预期效果。该研究将病害叶片的荧光光谱信息和对应特征波长下高光谱图像的纹理信息进行了融合,研究结果可为茶叶病害的快速、准确预测提供一定的参考价值。 相似文献