不同区域的土壤中硝态氮含量的反演模型

以新疆阜康不同程度人类干扰下的土壤为研究对象,探讨高精度的硝态氮含量的反演模型。测量土壤样品的室外高光谱数据和通过化学分析获取硝态氮含量,并对原始土壤高光谱进行一阶导数和二阶导数变换,以通过0.01显著性水平的波段作为敏感波段,利用BP神经网络和逐步多元回归模型(SMLR)建立8个硝态氮含量的定量估测模型。仿真结果表明:与SMLR相比,BP模型能显著提升2种土壤中的硝态氮含量的反演精度。尤其是原始高光谱数据经过一阶导数变换后的BP模型精度最高,能对硝态氮含量进行精确的预测,其在无人类干扰区域的土壤测试集中的相对分析误差(RPD)为2.884,决定系数(R2)为0.874;在有人类干扰区域的土壤测试集中的RPD为2.226,R2为0.929。SMLR模型在2种土壤中的RPD值均在1.1左右,说明基于SMLR模型对硝态氮含量的预测能力很差。     

神经网络融合模型在大坝变形分析中的应用

为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型．结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析．分析结果表明,统计模型的平均预测精度为±0．477mm．BP神经网络模型的平均预测精度为±0．390mm,融合模型的平均预测精度为±0．318mm,相比统计模型和BP神经网络模型分别提高了33％和18％,且泛化能力较强,具有广泛的适用性．     

红外光谱结合人工神经网络鉴别浓缩苹果汁生产厂家

利用红外光谱结合人工神经网络技术对不同厂家生产的浓缩苹果汁进行了鉴别.在800～1100cm-1波段采集不同样品的红外光谱,利用小波分析将156个原始数据压缩至21个,然后进行主成分分析,提取前3个特征向量.以样本的前3个特征向量为输入,建立结构为3-5-1的三层BP神经网络进行训练和预测.训练样本集包含48个样本,预测样本集包含21个,预测结果正确率达95%.     

基于无人机高光谱技术的水质预测反演系统设计与实现

利用高光谱分析技术,设计一套基于无人机高光谱技术的水质预测反演系统,以快速预测反演水质指标在水体中的动态空间分布情况.其主要功能包括光谱反射率值的提取、预测模型训练、水体区域分割提取、水质指标预测反演及反演结果的可视化显示等.实际应用结果表明,该系统界面简洁、操作方便,可作为高光谱技术在水质预测中的辅助工具,以满足研究人员对水质指标的快速预测反演需求.     

采用非线性模块的BP神经网络PID水位预测控制

因非线性时变控制系统造成的滞后,压水堆核电厂蒸汽发生器(SG)水位控制会引起的较大惯性或耦合,对此提出一种基于非线性模块的BP神经网络PID控制预测模块。采用BP神经网络模型作为非线性预测模块,调用SG水位PID控制运行数据作为非线性预测模块的训练样本;提取BP神经网络模型的输出数据作为BP神经网络PID的输入数据,多重优化BP神经网络的权值及阈值,缩小修正差值逼近系统整定值;构建SG水位非线性模块的预测数值与系统运行数据之间的非线性映射关系,修正带有预测判断方向的阈值,实现在线动态调整输出PID各参数的最优值。实验结果表明,预测模块可有效缩短系统的稳定阶跃响应周期,具有较高的计算精度。     

基于VMD-SVD-MSR模型的樱桃品质信息检测

樱桃的可溶性固形物含量(SSC)和含水率是衡量其品质的重要指标。鉴于传统的检测方法均为破坏性生化检测,文章以山海关樱桃样品为研究对象,提出一种基于近红外光谱信息融合的樱桃SSC和含水率无损检测方法。该方法首先利用变分模式分解(VMD)对近红外反射光谱进行多模态分解,得到各个固有模态(IMF)并分别求解各IMF层与SSC及含水率之间的相关系数,相关系数值越大说明对应的IMF层越适合特征提取;然后再进一步采用SiPLS波长筛选方法提取IMF层光谱的最佳波段,利用奇异值分解(SVD)求得奇异熵,建立多元逐步回归(MSR)预测模型(简称VMD-SVD-MSR模型)。为了验证该模型的有效性,引入连续投影算法和竞争性自适应重加权等变量优选方法进行特征波段筛选,输入多元逐步回归预测模型进行比较,结果表明,VMD-SVD-MSR模型通过一次光谱提取,能够同时实现樱桃的SSC和含水率的无损检测且预测能力较强。     

基于神经网络的数字识别技术研究

将图像的像素特征与矩特征结合,构建了神经网络分类器,利用提取的特征向量对分类器进行了训练和测试。将图像二值化,并归一化为16*16大小,提取了其每个像素点的0、1特征共16*16=256维,图像的网格特征13维,及Hu矩特征7维,一共276维特征。建立了BP神经网络分类器,分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练,得出了在相同条件下学习率可变BP算法训练时间短,收敛快的结论。建立了PNN神经网络分类器,与BP神经网络分类器性能进行比较,实验结果表明,PNN神经网络分类器性能更好。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

基于BP神经网络的人民币纸币面额识别方法

在纸币的面额识别上,结合了神经网络的优点,提取人民币图像轮廓点个数作为特征向量,设计了50*30*5的BP神经网络的面额识别方法,给出了BP神经网络的学习规则。     

高光谱图像波段间相关特性研究

高光谱图像是一种具有高光谱分辨率的遥感图像,相比于多光谱图像,具有较多的波段数.这些波段之间存在较强的相关性,因而波段间也存在着冗余性.如何合理减少高光谱图像波段间的相关性,有效去除冗余,就成为高光谱图像处理研究的一个关键问题.基于此,对高光谱图像的相关特性进行了分析和研究.     

深基坑变形的滚动预测方法

为了探究在深基坑开挖阶段基坑监测点的数据是否超过预警值并预测变形规律,对传统BP算法进行改进,建立了基于附加动量法和时间效应的五步一出多步滚动BP神经网络预测模型,并将该方法预测结果与传统BP神经网络预测结果进行对比分析。结果表明,所提滚动优化BP神经网络方法对监测点坡顶沉降和水平位移预测的平均相对误差分别为0.80%和0.83%,达到了较高的精度。该方法在基坑变形预测中具有重要的应用价值。     

基于CARS-PLSR的冬小麦叶片含水量快速无损检测研究

为探讨实际应用中高光谱技术快速准确获取农作物叶片含水量,本文以拔节期冬小麦含水量为研究对象,对冬小麦原始光谱进行三种光谱变换处理,采用双波段光谱指数和竞争性自适应重加权采样(Competitive Adaptive Reweighted Sampling, CARS)获取高光谱数据中与LWC高度相关的波段组合,进行多种LWC建模并对比预测精度。结果表明:由CARS筛选的波段组合压缩率达98%以上,结合偏最小二乘回归(Partial Least Squares Regression, PLSR)构建的含水量预测模型拟合精度最高,所建模型中最高预测决定系数为0.8441,模型预测精度均高于以双波段组合所建模型的预测精度。CARS在筛选与冬小麦叶片含水量相关的光谱波段组合方面较为适用,可为估算冬小麦种植区干旱情况和水分管理提供技术支持。     

一种图像增强算法的设计与实现

根据Refinex理论．物体的颜色是由物体对长波、中波和短波三个独立的波段的光线反射能力共同决定的,而物体在某个波段内的反射能力是物体本身固有的属性,与光源没有任何依赖关系。在Refinex模型中,物体波段中的各像素的亮度值被与其自身邻近的平均亮度值之比所代替。通过计算各像素间的相对明暗关系,进而确定每个像素的明暗值,获得经过增强的图像。通过这种方法实现的图像更加清晰、明亮,饱和度也进行了改变。     

基于深度学习的滇中城市多光谱

为准确、高效地获取城市建设用地信息,利用目前应用广泛的深度学习技术对该领域的提取效果进行对比。选用曲靖市主城区作为研究区域,以Landsat8 OLI_TIRS多光谱影像为原始数据,使用卷积神经网络和BP神经网络两种分类器对影像进行城市建设用地信息提取。使用对象个数、对象面积和地表覆被吻合度3项评价方法提取精度。结果表明,应用卷积神经网络模型的城市建设用地提取具有最高精度,其测试集精度依次达到了92.99%、94.78%和89.64%,均高于常用的BP神经网络。因此,基于卷积神经网络的多光谱影像建设用地提取方法是准确获取城市建设用地信息的一种可行方法,为滇中城市建设用地提取研究提供了参考。     

基于波谱特征曲线法的遥感图像海岸线提取

本文利用遥感图像的反射波谱信息,提出了海岸线提取的一种方法。首先,根据遥感图像中水体独特的反射波谱特征,提出了以特征曲线法来进行水陆分离,其核心是基于地物波谱的相似度,以水体反射波谱曲线作为中心判据,当目标像元的特征曲线符合中心判据时,将目标像元分类为水体,反之为非水体,从而实现水陆分离。中心判据由水体波谱在遥感图像各波段的分布特征来确定。然后利用形态学方法,对水陆分离后的图像进行海岸线提取。本文以Quick Bird图像和IKONOS图像为例,利用ENVI软件编程,实现了对归一化后的遥感图像的海岸线提取。结果表明所获取的海岸线连续性好、信噪比高,算法简单且适用性强。进一步研究自适应获取中心判据的方法,可使该算法用于工程化运算。     

自然通风防辐射罩辐射误差算法

为提高自动气象站温度传感器观测数据精度,对不同型号的自然通风防辐射罩所产生的辐射误差进行分析,提出一种基于BP神经网络算法对不同表面反射率的防辐射罩进行误差修正。将BP神经网络应用于温度传感器防辐射罩辐射误差的预测:将太阳辐射强度、风速、表面反射率作为BP神经网络的输入,利用计算流体动力学分析防辐射罩在不同大气环境下的辐射误差作为BP神经网络的训练输出。分析训练输出与样本输出,两者的绝对误差仅在[-0. 001,0. 002],可见BP神经网络的预测精度在理想值内。最后将BP神经网络得到的辐射误差修正方程用Java进行封装,并开发Web平台实现算法应用。     

樟树幼林纤维素含量高光谱遥感估算模型研究

高光谱遥感的快速发展使得定量估算植被纤维素含量成为可能。本研究采用美国ASD公司生产的野外光谱辐射仪测量樟树幼林的冠层光谱,对观测叶片进行了同步纤维素含量的测定。利用统计相关分析法,分析樟树冠层光谱与纤维素含量之间的相关关系。研究结果表明:在325nm至1075nm波段范围内,樟树幼林纤维素含量的敏感波段位于895nm、590nm、591nm;通过建立各敏感波段与纤维素含量之间的估算模型,并进行精度检验,得出了纤维素含量估算的高光谱模型为:y=38.611 3894.056×α895-14713.7×α590 11100.905×α591。说明利用高光谱遥感数据可以估测樟树幼林的纤维素含量。     

思维进化算法在BP神经网络拟合非线性函数中的应用研究

直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间.     

结合小波变换和HIS变换的遥感图像融合方法

对比HIS变换,小波变换结合HIS变换方法对一景WorldView 2多光谱图像进行像素级融合。对WorldView 2多光谱图像进行HIS变换,对亮度分量I和全色波段图像进行3层小波分解,并用全色波段图像第3层的3个高频小波系数图像替换亮度分量I第3层的3个高频小波系数图像。再通过小波逆变换重构亮度分量I,利用HIS逆变换得到融合图像,最后采用目视判读评价融合效果。结果表明,相较于HIS变换方法,采用小波变换结合HIS变换方法能使WorldView 2多光谱图像在融合后实现多光谱信息保真,同时融入全色波段图像空间纹理结构特征,提高图像细节表达能力,改善目视判读效果。     

基于BP神经网络的公共建筑用电能耗预测研究

数据挖掘技术与建筑工程之间的知识跨度较大,将两者完美融合起来存在一定难度,实际工程中也缺乏相关案例,因此在建筑工程中应用数据挖掘技术挖掘相关信息,为大型公共建筑用电能耗预测提供参考依据,是建筑领域一种新的发展趋势。基于对公共建筑用电能耗特性的分析,可利用Python构建BP神经网络建筑能耗预测模型,再将某公共建筑作为研究对象,确定影响建筑用电能耗的关键因素,并将其作为网络的输入参数进行学习训练得出预测值。研究结果表明：预测模型在不同参数下,当隐含层个数为8时,误差平方和最小,为0.000 139 6,此时BP神经网络能够较精确地预测公共建筑用电能耗值。