连续投影算法在小麦高光谱定量分析中的应用

为了消除光谱变量间的共线性影响,减少建模变量以提高校正速度,文章引进一种新的波长选择方法:采用连续投影算法(Successive Projections Algorithm,SPA),并将其集成偏最小二乘(Partial Least Squares,PLS)技术构成SPA-PLS方法,用于冬小麦高光谱波长优化选择及其与...     

基于可见-近红外光谱技术与BP-ANN算法的污水类型鉴定

提出了一种基于可见-近红外光谱技术与BP人工神经网络(BP-ANN)算法快速进行污水类型鉴定的新方法.以FieldSpec(R)3地物光谱仪采集了4种污水样品的光谱数据,共168份,随机将其分成校正集(132份)和检验集(36份).分别采取全波段(400～2450 nm)与择取波段(400～1800 nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP-ANN的输入变量,污水类型作为输出变量,建立3层BP-ANN鉴别模型.利用36个未知样对模型进行检验.结果表明:两类模型预测准确率均高达100%,且择取波段模型比全波段模型具有更高的预测精度.说明利用可见-近红外技术结合BP-ANN算法进行污水类型的快速、无污染鉴定是可行的,且波段筛选是优化模型的有效方法之一.     

基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650～1000 nm (71个通道)内观测的叶片高光谱和ASD光谱一致(R~2=0.9525～0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650～750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650～750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。     

堆栈降噪自编码结合随机森林的黄龙病检测

近红外光谱分析技术作为一种无损、快捷的分析方法在各个领域应用相当广泛。针对柑橘黄龙病检测成本高、可靠性差和精度低等问题,提出了一种堆栈降噪自编码融合随机森林(Stacked Denoising Auto-encoders Combined Random Forest,SDAE-RF)的柑橘黄龙病近红外光谱检测方法,该方法首先采用多阶段预处理法对样本光谱数据进行预处理,然后采用SDAE对经过预处理后的光谱数据进行降维,实现柑橘样本深层特征的提取,最后利用RF的投票集成策略实现分类鉴别。为了验证SDAE-RF模型的性能,采用某公司提供的柑橘叶片近红外光谱数据为实例,以不同比例的训练集进行实验,并与ELM、SWELM、SVM、BP、SDAE和RF模型的鉴别能力进行对比。实验结果表明,SDAE-RF模型较其他算法在分类精度、算法稳定性以及训练时间方面均表现出较好的效果。     

一种动态赋权红外光谱特征选择算法研究

大规模的红外光谱数据集中存在大量无关冗余的特征。针对这一问题,提出了一种动态赋权红外光谱特征选择算法(Dynamic Weight Infrared Spectrum Feature Selection Algorithm, MBDWFS)。 该算法把对称不确定性度量标准与近似Markov Blanket相结合,以删除原始光谱数据集中无关冗余的特征,从而获取数据规模较小且最优的特征子集。通过与 FCBF、ID$_3$ 和ReliefF三种经典特征选择算法的性能仿真对比试验,证明所提出的MBDWFS算法在整体分类性能上优于其他三种算法,用于红外光谱的物质分析领域时效果更好。     

（英）基于近红外的移动窗口BP神经网络实现山东绿茶产地溯源

将近红外光谱分析技术用于对山东省代表性绿茶(崂山绿茶和日照绿茶)进行快速、无损伤产地溯源.对平滑处理、一阶微分和二阶微分等几种不同的光谱预处理方法进行了系统性对比和研究创新.提出移动窗口BP神经网络(MW-BP-ANN)算法用于选择特征光谱变量.实验发现,一阶微分和移动窗口-BP神经网络可以大幅提高支持向量机(SVM)分类模型的预测能力.经预处理后,分类模型的最优鉴别准确率可达98.33%.研究结果表明,该光谱变量选择方法对提高产地溯源模型的预测能力起到至关重要作用.     

基于近红外的移动窗口BP神经网络实现山东绿茶产地溯源（英文）

将近红外光谱分析技术用于对山东省代表性绿茶(崂山绿茶和日照绿茶)进行快速、无损伤产地溯源.对平滑处理、一阶微分和二阶微分等几种不同的光谱预处理方法进行了系统性对比和研究创新.提出移动窗口BP神经网络(MW-BP-ANN)算法用于选择特征光谱变量.实验发现,一阶微分和移动窗口-BP神经网络可以大幅提高支持向量机(SVM)分类模型的预测能力.经预处理后,分类模型的最优鉴别准确率可达98.33%.研究结果表明,该光谱变量选择方法对提高产地溯源模型的预测能力起到至关重要作用.     

基于近红外高光谱成像技术的塑料分类（特邀）

塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术（NIR-HSI）,比较了1100～1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GASVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。     

用于Landsat ETM+和ERS-2 SAR图像融合对城区地物特征分类的BP-ANN/GA混合算法

该文建立了反向传播人工神经网络 (Back Propagation Artificial Neural Network, BP-ANN)和遗传算法 (Genetic Algorithm, GA)的BP-ANN/GA混合算法。利用GA算法的全局优化能力优化BP-ANN的初始权值,克服了传统BP-ANN收敛速度慢,容易陷入局部最小的缺点。BP-ANN/GA混合算法对Landsat ETM+4, 5, 7三波段红外图像和ERS-2 SAR雷达图像的融合数据进行了城市多类地物特征分类。结果表明:BP-ANN/GA算法不仅提高多源遥感图像自动分类的速度,而且提高了各类特征分类的精度。该文对上海浦东地区的Landsat ETM＋和ERS-2 SAR数据作了融合分类试验与验证。     

基于机器学习的深圳市坝光湿地园树种高光谱分类

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力,本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据,比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响,并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明,一阶导数预处理方法在分类识别中性能最好,平均分类精度为76.65%;随机森林回归方法较支持向量回归算法的性能好,模型平均分类识别精度为73.07%。从混淆矩阵可以看出,多毛茜草、银柴、阴香易错分为假萍婆,鸭脚木与银柴易错分,银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

改进的SVM在矿井气体定量分析中的应用

自行搭建了气体采集系统,根据井下的气体情况,采集了包括甲烷、乙烷、丙烷、正丁烷和二氧化碳五种气体的中红外光谱数据共236组,其中校正集186组,验证集50组。在对光谱数据进行预处理之后,利用主成分分析技术将得到的主吸收峰区域的红外光谱数据进行降维处理,通过特征提取得到3个特征值作为矿井气体光谱数据的输入量。该方法有效减少了模型的计算量,加快了模型的收敛速度。然后,利用改进支持向量机分别对这五种气体建立了定量分析模型。为提高该算法的预测精度,利用遗传算法和粒子群优化算法分别对SVM参数进行参数寻优。最后,选择优化效果更好的粒子群算法,并通过验证集对这五种气体进行了浓度预测分析。实验结果表明:五种气体浓度预测结果的平均误差均小于1.78%,最大误差均小于4.98%,且对于50组的气体预测耗时均小于103 s。表明所提出的改进的SVM算法能够准确、快速地预测矿井气体浓度,对实现矿井气体检测有着积极的意义。     

Combining feature scaling estimation with SVM classifier design using GA approach

This letter adopts a GA （Genetic Algorithm） approach to assist in learning scaling of features that are most favorable to SVM （Support Vector Machines） classifier, which is named as GA-SVM. The relevant coefficients of various features to the classification task, measured by real-valued scaling, are estimated efficiently by using GA. And GA exploits heavy-bias operator to promote sparsity in the scaling of features. There are many potential benefits of this method： Feature selection is performed by eliminating irrelevant features whose scaling is zero, an SVM classifier that has enhanced generalization ability can be learned simultaneously. Experimental comparisons using original SVM and GA-SVM demonstrate both economical feature selection and excellent classification accuracy on junk e-mail recognition problem and Internet ad recognition problem. The experimental results show that comparing with original SVM classifier, the number of support vector decreases significantly and better classification results are achieved based on GA-SVM. It also demonstrates that GA can provide a simple, general, and powerful framework for tuning parameters in optimal problem, which directly improves the recognition performance and recognition rate of SVM.     

Clustering via dimensional reduction method for the projection pursuit based on the ICSA

The performance of the classical clustering algorithm is not always satisfied with the high-dimensional datasets, which make clustering method limited in many application. To solve this problem, clustering method with Projection Pursuit dimension reduction based on Immune Clonal Selection Algorithm (ICSA-PP) is proposed in this paper. Projection pursuit strategy can maintain consistent Euclidean distances between points in the low-dimensional embeddings where the ICSA is used to search optimizing projection direction. The proposed algorithm can converge quickly with less iteration to reduce dimension of some high-dimensional datasets, and in which space, K-mean clustering algorithm is used to partition the reduced data. The experiment results on UCI data show that the presented method can search quicker to optimize projection direction than Genetic Algorithm (GA) and it has better clustering results compared with traditional linear dimension reduction method for Principle Component Analysis (PCA).     

Hybrid Cuckoo Search with Salp Swarm Optimization for Spectral and Energy Efficiency Maximization in NOMA System

Non-Orthogonal Multiple Access (NOMA) holds the efficiency of enabling 5G communication. Due to the faster emergence of smart devices and their correlated applications, there is a huge demand for data traffic to increase the data rate. As a result, these raising demands of the users and the restricted spectrum will minimize the energy and spectral efficiency of the wireless network. There are two major measures like spectral and energy efficiency in Fifth-Generation (5G) communication models technically analyzed in this paper. The main intent of this paper is to develop a hybrid meta-heuristic algorithm for maximizing the spectral and energy efficiency of NOMA, thus avoiding low latency communication. The proposed model integrates two well-performing meta-heuristic algorithms like Salp Swarm optimization algorithm (SSA) and Cuckoo Search Algorithm (CS) for attaining the energy and spectral efficiency maximization in NOMA. The proposed hybrid meta-heuristic algorithm called Cuckoo Levy-based SSA (CL-SSA) is developed to optimize the parameters like beamforming vectors and time allocation ratio at the base station and relay. As the conventional optimization algorithm spectral efficiency of the system reaches maximum. The mean of the proposed CL-SSA for spectral efficiency is 23%, 2.8%, 54%, 32%, and 10% increased than Cuckoo Search (CS), Salp Swarm optimization (SSA), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Fire Fly algorithm (FF), respectively. The experimental result shows that the proposed CL-SSA maximizes the spectral efficiency and energy efficiency than conventional techniques like Cuckoo Search (CS), Salp Swarm optimization (SSA), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Fire Fly algorithm (FF) in developed NOMA model.

     

基于SVM的可见/近红外光的玉米和杂草的多类识别

杂草的识别分类在精准农业的变量喷施中具有重要的作用.因此提出了一种新的基于SVM(支持向量机),利用决策二叉树在可见/近红外图像中识别作物和杂草的方法.根据近红外波段的光谱特性,利用阈值法实现了植物和土壤背景的分割.将植物冠层的多光谱反射特征、纹理特征和形状特征相结合,采用最大投票机制算法构造合理的决策二叉树,实现了分...     

一种基于改进的遗传算法的块匹配运动估计方法

块匹配方法(Block Matching Algorithm,简称BMA)是目前广泛使用的运动估计方法,但该方法的最大缺点是容易陷于局部最优,这主要是由搜索模式决定的。而遗传算法(Genetic Algorithm,简称GA)是一种具有广泛适应性的全局最优的搜索算法。将块匹配方法的局域性搜索与遗传算法的全局性搜索结合起来,本文提出了一种基于改进的遗传算法的块匹配运动估计方法。实验证明,该方法的平均绝对误差(MAE)接近全搜索(FSS),优于三步法(TSS),而运算量相对较低,接近三步法。     

一种基于遗传算法的SVM决策树多分类策略研究

提出了一种基于遗传算法(GA)的SVM最优决策树生成算法,并将其应用于解决SVM多分类问题.首先以最大分类间隔为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(或近优)决策二叉树;然后在各个决策节点,利用传统的SVM算法进行二值分类,最终实现SVM的多值分类.理论分析及实验结果表明,新方法比传统的DT-SVM、DAG-SVM方法有更高的分类精度,比经典的1-a-1、1-a-r有更高的训练和分类效率.     

FIR滤波器设计:基于免疫算法的频率抽样技术

该文介绍了免疫算法在数字滤波器设计频率抽样技术中的应用,结合FIR数字低通、带通滤波器设计的两个例子,给出了算法实现的具体操作步骤和实验结果。实验数据表明,采用免疫算法确定的频率过渡带样本值是最优的,设计的FIR滤波器的频率特性优于查表法。文中还把免疫算法与遗传算法在频率抽样技术中的应用作了比较,其收敛速度较遗传算法明显加快。     

基于遗传的人工鱼群优化之武装直升机对地攻击火力分配决策

结合遗传算法和人工鱼群算法的优点对武装直升机对地攻击作战的火力分配问题进行研究,建立了火力分配的教学模型,并利用基于遗传算法的人工鱼群优化算法实现武装直升机对地攻击的火力分配.仿真实验结果表明,基于遗传算法的人工鱼群优化算法解决火力分配问题不仅收敛速度快、效果好,而且运行速度快、求解精度高,满足火力分配实时性和准确性的...