基于反射光谱的温室黄瓜叶片磷素含量分析与预测

以温室栽培黄瓜作物为对象,分析了叶片反射光谱与叶片磷素含量之间的相关关系,并建立了预测模型。首先利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱。相关分析表明反射率光谱与叶片含P量之间具有一定的相关性,但线性相关不显著。利用微分光谱可以部分消除系统误差、背景噪声等的影响,明显提高了相关系数,但预测模型精度仍然达不到实用程度。在理论分析的基础上,选取978,920,737和458 nm等4个波长作为特征波长,分别利用人工神经网络和支持向量机建立了黄瓜叶片P素含量对应于微分光谱特性的非线性预测模型,结果表明两种算法都获得了较好的预测效果,支持向量机模型的预测能力(R_v=0.754)优于人工神经网络模型(R_v=0.712)。     

BP神经网络电子束扫描均匀度校正系统

电子束的扫描均匀度是工业辐照电子直线加速器的重要技术指标,该校正系统利用人工神经网络中的误差反向传播法可以对扫描电流波形进行校正,以克服扫描磁场引起的电子束形状变化、位置改变等造成的电子束分布的不均匀性,从而使扫描曲线的归一化均方偏差达到1.8%。     

用人工神经网络方法测量生物组织光学参数γ

提出了一种利用亚扩散空间分辨漫反射预测生物组织约化散射系数μ_s'和相函数参量γ的人工神经网络方法 .采用蒙特卡罗方法得到光子经生物组织漫反射的数据样本,利用这些数据样本训练反向传播神经网络,用于从亚扩散散射光中预测γ的信息.为了解决同时预测μ_s'和γ两个参数时会产生较大误差的问题,分段数据训练两个BP网络,依次识别μ_s'和γ.研究发现3.64l_(th)(l_(th)表示平均输运自由程)是对γ的不敏感点,可用该点附近的数据样本训练网络用于预测μ_s',用2l_(th)范围内的数据样本训练网络用于预测γ.蒙特卡罗仿真结果表明,在1.3≤γ≤1.9范围内,预测结果与真实值的相对均方根误差在1%以内.与现有的测量方法相比,所提的人工神经网络方法更加简单,且提高了预测精度.     

近红外光谱法用于纯化过程中鞣花酸含量的监控

采用近红外光谱技术结合遗传算法优化的小波神经网络,对大孔树脂纯化过程中橄榄果中的鞣花酸含量进行监控。通过小波变换对光谱进行去噪、压缩,作为人工神经网络的输入,同时以遗传算法优化神经网络的权值与阈值,并与常用的偏最小二乘(PLS)线性模型的建模效果进行比较。实验结果表明,两者都能够较准确的预测鞣花酸的含量,相对而言,人工神经网络(ANN)效果较好。     

基于神经网络的核电厂设备易损性分析

核电结构的易损性分析是核电厂地震安全评估中至关重要的一环, 但是由于核电结构的复杂性以及考虑土?结相互作用SSI时较大的计算规模, 使得计算核电厂设备易损性曲线十分耗时. 为发展高效的核电厂设备易损性分析方法, 本文采用核电结构土?结相互作用分析的分区计算方法, 并利用有限的SSI分析结果建立神经元模型ANN代替有限元模型, 分别基于对数正态假定的回归法和蒙特卡洛法进行了设备易损性分析. ANN数值模拟包括了以下内容: (1)基于半偏相关系数选择最相关的地震动参数作为ANN输入, 并通过交叉检验建立神经元模型; (2)量化研究ANN数值模拟的预测不确定性, 其中包含了由于简化地震动输入引起的随机不确定性和训练样本缺失引起的认知不确定性; (3)基于ANN模型预测结果分别采用蒙特卡洛法和基于对数正态假定的回归法进行设备的易损性分析. 本文探讨了不同的地震强度指标以及土层材料的不确定性对易损性曲线的影响, 同时验证了回归法中对数正态模型假定的基本合理性, 为核电厂设备易损性分析提供了一种可能方向.      

DNA与目标分子相互作用的预测性研究

以量化的分子结构参数和实验结果为依据, 运用模式识别技术、多元线性回归和人工神经网络研究了目标分子与DNA相互作用的主要影响因素, 建立了准确性较高的2个键合常数预测模型和1个作用模式预测模型. 初次量化的分子结构参数有21种, 经过筛选发现其中的10种参数对相互作用有显著影响. 研究结果可为抗癌药物的分子设计和筛选提供有价值的信息.     

基于彩色扫描仪的图像光谱重构

针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。     

基于支持向量机的肤色滤波器

为了探测图像中的肤色像素,提出了一种新的方法-支持向量机（SVM：Support Vector Machine）方法.它是一种基于肤色的非特定人的面部定位方法,是非接触人机交互技术和机器视觉中的一个重要内容.实验结果表明,采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性,而且具有更好的推广性能.由于SVM采用结构风险最小化（SRM：Structural Risk Minimization）准则,在最小化训练误差（经验风险）的同时,尽量缩小模型预测误差的上界,从而使模型有更好的泛化能力.     

基于DIGNET网络的数据融合方法

针对数据融合和目标识别的特点,提出了基于DIGNET自组织聚类人工神经网络的数据融合方法。考虑到多传感器系统测量多个参量的特点,用并行的子网络结构代替中间隐层,实现了基于决策层的信息融合目标识别。利用仿真数据对基于DIGNET的数据融合方法进行了实验研究。实验结果表明,该方法具有数据正确分类率高和抗噪能力强等优点,有效地实现了融合识别。将该方法应用于前视红外和可见光双传感器目标跟踪系统的数据融合识别是可行的。     

基于人工神经网络的湍流大涡模拟方法

大涡模拟方法(LES)是研究复杂湍流问题的重要工具,在航空航天、湍流燃烧、气动声学、大气边界层等众多工程领域中具有广泛的应用前景.大涡模拟方法采用粗网格计算大尺度上的湍流结构,并用亚格子(SGS)模型近似表达滤波尺度以下的流动结构对大尺度流场的作用.传统的亚格子模型由于只利用了单点流场信息和简单的函数关系,在先验验证中...