首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   0篇
物理学   2篇
  2019年   1篇
  2018年   1篇
排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
热液释放的高温甲烷气体经扩散作用先后进入海洋和大气,并对地球物理、化学和生物方面产生深刻影响。由于海洋溶解甲烷数据的缺乏,导致人们对深海热液释放甲烷的活动机制和环境效应还缺乏足够的认识。我们前期提出一种光学被动成像干涉系统OPIIS用于热液甲烷浓度、温度和压强的实时探测和长期观测。为了从OPIIS的干涉光谱中精确、稳定、快速的获取热液甲烷信息,采用将干涉光谱与偏最小二乘法相结合的方法处理OPIIS数据。首先分别建立三个甲烷浓度、温度和压强的单因变量预测模型,再利用干涉条纹与辐射光谱的关系,间接建立干涉光谱与甲烷浓度、温度和压强的PLS预测模型,提高了预测模型在实际应用中的抗干扰能力和稳定性。基于洛仑兹线型建立了不同于大气环境的深海气体辐射模型,并利用HITRAN2016分子光谱数据库的光谱参数,建立了深海甲烷在任意浓度、任意温度和任意压强下的辐射光谱数据库。挑选热液其他气体对甲烷探测干扰较小的甲烷泛频带1.64~1.66 μm内的六条谱线建立甲烷辐射光谱与浓度、温度和压强的偏最小二乘回归模型。另外,分析了训练集取样个数、取样间隔和主成分个数对提高预测模型综合性能的作用。利用不同训练集样本数,不同训练集取样间隔和不同的主成分数,分别建立96个浓度、温度和压强预测模型,并分别利用25组预测集样本对预测模型进行交叉验证。不同模型预测均方根误差和决定系数的对比表明,训练集取样个数、取样间隔和主成分个数等单一因素的改变并不能同时提高预测模型的预测精度、稳定性、适用范围和运算量等综合性能。经过平衡选取各项指标确定的最优回归模型的参数为:浓度、温度和压强的适用范围分别为5~375 mmol·L-1,580~678 K,10~34.5 MPa, 浓度、温度和压强的训练集取样个数分别为50组,25组,25组,采样间隔分别为5 mmol·L-1,2 K,0.5 MPa, 浓度、温度和压强预测模型的主成分数分别为2,2,5。浓度、温度和压强预测模型的预测均方根误差分别为3.082×10-6,0.977 0,5.052×10-3,决定系数分别为0.999 9,0.998 9,0.999 9。浓度、温度和压强的预测误差分别为±1.21×10-7,±3.63×10-3,±9.49×10-4,对应的预测精度分别为±45.4 nmol·L-1,±2.5 K,±3.3×10-2 MPa。结果表明,干涉光谱结合偏最小二乘法的反演算法可以精确、稳定、快速的获取热液甲烷气体的浓度、温度和压强信息。  相似文献   
2.
基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究   总被引:1,自引:0,他引:1  
夏威夷果含油量高,在开缝之后容易发生变质,现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验,很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一,具有比浅层学习方法更强的特征提取与模型表达能力,在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析,研究用于提取夏威夷果光谱特征的卷积神经网络模型,并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象,分析样本在500~2 100 nm的光谱信息;在光谱数据预处理中引入白化处理方法,用以增强数据的相关性差异;然后在模型训练过程中,将样本随机分为训练集和预测集,探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响,并采用激活函数ReLU和Dropout方法,预防样本数据过少引起的过拟合现象;最后通过分析模型分类准确率和计算效率,确定了一个6层结构的CNN模型: 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明: 上述网络模型对校正集和预测集的分类准确率均达到100%。因此,改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类,将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定,同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号