排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。 相似文献
2.
根据高光谱遥感获得的冬小麦冠层数据,把由逐步回归方法和基于遗传算法(GA)的广义回归神经网络(GRNN)筛选到的光谱参数作为网络输入,冠层叶绿素含量作为网络输出,采用线性逐步回归方法、反向传播神经网络(BPNN)和GRNN来构建反演模型,模拟结果表明,GRNN和BPNN的预测精度要高于逐步回归方法,其RMSE分别为0.36 mg/g、0.52 mg/g和0.98 mg/g。由于GRNN可应用于小样本问题的学习,比BPNN对叶绿素具有更好的预测和泛化能力。 相似文献
1