公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

基于自适应提升的监督局部保留投影在猪肉近红外光谱分类中的应用研究: 2013年; 借助于近红外反射光谱技术定性研究猪肉的贮藏时间,并以此进行猪肉的新鲜度评定。利用AntarisII快速傅里叶变换近红外光谱分析仪对猪肉样本进行无损检测获取光谱数据。为了克服光谱特征提取中的"小样本"问题,引入基于监督模式的局部保留投影算法(Supervised Locality Preserving Projection,SLPP),并通过结合自适应提升(AdaBoost)算法提出了基于自适应提升的监督局部保留投影算法(AdaBoost-SLPP)。实验结果表明:AdaBoost-SLPP算法通过加权联合能够显著提高单一线性特征分类算法的泛化能力,算法对于近红外光谱建立的定性预测模型能够达到100%的识别率。; 唐凯武小红孙俊邱盛威; 关键词：近红外

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究被引量：10: 2013年; 为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec^((?))3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。; 孙俊金夏明毛罕平武小红唐凯张晓东; 关键词：KNN SVM ADABOOST

基于联合区间偏最小二乘判别分析的猪肉近红外光谱定性建模分析被引量：13: 2015年; 为解决偏最小二乘判别分析（PLSDA）建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析（SiPLSDA）算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用AntarisⅡ快速傅里叶变换近红外光谱分析仪获取波数范围为10000～4000cm^-1的猪肉样本近红外光谱，采用标准正态变量变换（SNV）进行近红外光谱的预处理，用SiPLSDA建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA建立的预测模型对猪肉储藏时间的识别率达到93．94％，高于基于全光谱区域建立的PLSDA预测模型的识别率。; 武小红孙俊武斌唐凯; 关键词：光谱学近红外光谱猪肉

基于Adaboost+OLDA和近红外光谱的猪肉贮藏时间辨别被引量：3: 2012年; 猪肉的贮藏时间和猪肉的新鲜度紧密相关。通过近红外漫反射光谱技术获取猪肉样本数据,利用正交线性判别分析(OLDA)算法进行特征提取,同时将自适应提升法(Adaboost)引入OLDA,提出了一种基于Adaboost和OLDA的集成学习算法——Adaboost+OLDA。实验针对分类正确率和运算时间将传统特征提取算法(PCA+LDA和OLDA)和Adaboost+OLDA算法进行了对比研究,结果表明Adaboost+OLDA算法不仅具有很好的运算效率,而且提高了OLDA算法的泛化能力,在猪肉样本测试中达到了95%以上的分类正确率。; 武小红唐凯孙俊; 关键词：近红外光谱猪肉 ADABOOST

基于MEA-BP神经网络的大米水分含量高光谱技术检测被引量：23: 2017年; 利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。; 孙俊唐凯毛罕平张晓东武小红高洪燕; 关键词：大米水分含量 BP神经网络遗传算法思维进化算法

全选清除导出

共1页<1>

唐凯