基于向量夹角样本选择的光谱反射率重建

目的研究一种更有效的训练样本选择方法,以提高光谱反射率的重建精度。方法提出将样本看做向量,根据测试样本与训练样本之间的夹角判断两者间的相似度,然后把该夹角大小作为相似度权重赋予该训练样本,实验以孟塞尔色卡为样本集,训练样本分别为经过Mohammadi方法选择的样本和经过文中提出的向量夹角方法选择的样本,以色差和光谱均方根误差为评价指标,从重构精度和样本选择的有效性等2个方面对2种样本筛选方法进行比较和验证。结果通过Matlab软件仿真实验,文中所提方法的平均色差能降低到0.7945,最大色差为2.1569,平均光谱均方根误差降低到0.011 42,最大光谱均方根误差为0.0218。结论基于向量夹角选择样本具有简单且精确的优势,能够满足高精度颜色复制的要求,可以为快速准确地选择样本和提高颜色复制精度提供参考。     

基于APSO-LSSVM模型的光谱反射率重建算法研究

目的 研究光谱反射率重建算法,提高光谱反射率重建精度.方法 首先通过多光谱相机和分光光度计分别获取Munsell色卡和SG140色卡的通道信息和光谱反射率值,经归一化后将Munsell色卡的通道信息和光谱反射率值作为训练样本的输入和输出.然后,采用APSO算法对LSSVM的最优正则化参数γ和核参数σ进行寻优,构建基于APSO-LSSVM的光谱反射率重构模型.在对模型参数进行寻优过程中,为保持粒子的活性,在粒子群算法中引入自适应惯性权重,并根据遗传算法中的变异思想,加入了变异操作,在普通粒子中引入变异因子.在每次迭代更新中,粒子以一定概率初始化,使粒子群算法可以跳出局部最优解,在较大的空间内进行优化.结果 基于APSO-LSSVM模型对SG140色卡进行光谱反射率重建实验,文中方法的平均色差为0.4677 abΔE?,平均均方根误差为0.0006.相较于最小二乘支持向量模型和反向传播神经网络模型的重构精度均有很大的提高.从显色效果来看,文中方法的显色结果更接近真实颜色,人眼基本上难以察觉到两者间的差异.结论 基于APSO-LSSVM的光谱反射率重建算法可以有效地提高光谱反射率重建精度,实现了利用多光谱相机拍摄的多通道信息重构获得精确的多光谱图像.     

基于聚类分析的光谱重建样本分析

目的 解决目前光谱重建中因数量大而出现的冗余和繁重等问题,证明聚类算法可以很好地应用在光谱选择样本分析中,并可以实现较高的重构色度精度和物理精度。方法 采用主成分分析法进行仿真实验,首先探究主成分个数,再确定聚类个数,然后比较聚类方法和3种常用的样本选择方法,最后分析比较光源种类对重构结果的影响。结果 通过实验确定主成分个数为6且聚类个数为20时,在A光源下使用KFCM算法的重构效果最好,此时平均色差为0.35ΔE00,平均RMSE为0.0078,平均GFC为99.94%。结论 聚类方法可以应用于光谱成像过程中训练样本选择过程,且有助于提高光谱重构的运算速度和精度。     

基于维纳估计的光谱反射率重建优化算法研究

目的研究光谱反射率重建算法,解决各种物体颜色的光谱反射率重建精度问题。方法通过高精度多光谱成像系统获取实验样本的系统响应值,分光光度计获取样本的光谱反射率,采用Wiener估计法、自适应维纳估计法和提出的优化维纳估计法,对待测样本实验数据进行光谱重建,并评价重建结果。结果在3种光谱重建算法仿真实验中,提出算法的均方根误差平均值为0.0355,平均CIE1976色差为1.4349,优于其他2种算法。结论在光谱重建算法的研究中,基于优化的维纳估计算法可以有效提高光谱的重建精度,可应用于实际的多光谱成像复制中。     

利用人工神经网络进行多光谱温度测量的研究

如何用辐射方法测物体的真实温度是长期存在的难题。本提出了一种测量目标真实温度的新方法,即基于神经网络模型的多光谱测温方法,并给出了仿真实验结果。     

基于样本选择的光谱重构研究

目的为了提高使用主成分分析法重构光谱反射率的重构精度。方法利用Matlab进行仿真实验,选择3种不同色卡作为训练样本,使用主成分分析法探究主成分个数和样本间隔对重构结果的影响。结果主成分个数为4时,贡献率均超过99%;样本间隔为10 nm时,RC24色卡重构效果最好,其平均色差2.37ΔE_(ab)~*平均均方根误差为0.0185。结论训练样本的选择会影响光谱重构精度,RC24色卡具有数据量小、重建精度较高的特点,在颜色复制领域可以优先选择。     

高速窄带多光谱成像系统光谱重建技术研究

光谱成像技术可以同时从光谱维和空间维上获取被测目标的信息，即结合了空间成像系统和光谱检测系统的功能，因此近年在影像获取与处理领域中倍受重视。本论文基于窄带多光谱成像技术建立八通道CCD多光谱成像系统，它能够实时采集八个通道的图像，获得波长分布从可见到红外（420-940nm）八个波段的光谱响应值。在此基础上对图像进行位置配准、反射率定标、采用插值算法获得其它波段光谱响应值，最终能够获取图像中任意一点的光谱反射率及颜色参数。实验结果表明，本文使用的三次样条插值法对原始光谱图像进行平滑操作的方法是有效的，能够以一定精度模拟出目标物点的真实光谱特性。该系统在动态目标检测识别、艺术品评价复制等领域有着广阔的应用前景。     

基于高光谱反射率的藻类水体基线荧光峰高度与叶绿素α浓度关系研究

采用现场实测和室内培养两种方式测定了甲藻、赤潮异弯藻、叉角藻赤潮和新月菱形藻、海洋蓝绿藻、叉鞭金藻、塔胞藻、扁藻和小球藻等非赤潮藻类光谱曲线。采用度量太阳激发的叶绿素荧光峰高度的基线荧光高度法，建立了不同藻类基线荧光高度与叶绿素浓度的关系。基线荧光高度法所用的3个荧光高度波段分别为665nm、680nm和865nm。在采用线性方程对不同藻类水体基线荧光高度与叶绿素浓度进行回归分析时，不同藻类产生了明显不同的结果。其中赤潮异弯藻、海洋蓝绿藻和甲藻为负相关，其余为正相关。在正相关的藻类中，小球藻最低，为0．4692。结果偏差主要来自于两个方面：一是藻类荧光峰位置变化影响；二是浮游植物红光和近红外波段高反射率的影响。     

光谱重建训练样本选择方法研究

目的研究光谱重建训练样本选择方法及训练样本集样本数量对光谱重建精度的影响。方法以光谱反射率已知的1687个矿物颜料样本为研究对象,搭建真实六通道宽带光谱成像系统并进行标定,利用宽带光谱成像系统对样本进行六通道数字响应值采集并进行校正,通过R-matrix光谱重建方法,对现有以及文中引入和提出的训练样本选择方法的光谱重建精度和计算效率进行比较。结果实验结果表明,分区最大化色域边界描述方法可以较好地应用于光谱成像过程中训练样本选择,其在保证光谱重建精度的同时大大提高了训练样本选择的效率,实验证明文中提出的基于色域最大化思想的训练样本方法,在面向复制的光谱成像流程中也具有一定的实用性。结论研究结果对于光谱成像过程中训练样本选择方法的选择具有一定指导作用。     

基于双层动态筛选训练样本的光谱重建算法

目的研究光谱重建过程中训练样本筛选方法对光谱重建精度的影响。方法利用违逆的方法对测试样本Munsell样本和Color Checker SG样本进行光谱重构,训练样本分别选择未经筛选的Munsell样本集、经过动态聚类筛选的和经过文中提出的双重动态筛选的Munsell样本集,然后比较3种样本筛选方法得到的光谱重构精度。结果实验结果表明,经过双层动态筛选的训练样本重构精度无论是均方根误差(RMSE)、拟合优度(GFC)还是不同光源下(A,D50和F2)的色差,明显高于动态聚类分析的样本和未经筛选的样本。结论提出了一种新的样本筛选方法,该筛选方法效果良好,具有一定的先进性。     

基于人工神经网络的结构损伤识别方法

根据观测的结构频率变化,建立了基于人工神经网络的悬臂梁结构损伤识别方法.把结构固有频率的变化率作为BP神经网络的输入参数,对悬臂梁结构模型进行了损伤数值模拟计算.为了提高神经网络的泛化推广能力和收敛速度,将BFGS优化方法应用到神经网络的训练过程中.数值计算结果表明,所建立的结构损伤识别方法具有收敛速度快、识别精度高等特性.     

光谱反射率重建技术的研究进展

目的综述目前已有光谱反射率重建技术的研究进展,为光谱反射率重建技术的适用范围更广和精度更高提供科学的研究基础。方法介绍目前已有光谱反射率重建技术的相关方法,并探讨相关方法的优缺点和适用的应用场景,提出相关方法的改进以及未来发展的趋势。结果直接重建法的重建精度相对较低,插值重建只适用于小样本的数据集,基于人工智能技术虽然精度高,在实际应用中也受到局限,组合重建法将各种重建方法按照一定的方式组合起来,并加入相关的修正项进行光谱重建,解决了其他3类方法存在的缺陷,保证了光谱反射率重建精度,解决了真正实际应用需要。结论通过组合的形式解决了在重建光谱反射率过程中遇到的噪声、智能化等问题,通过组合的方法可以解决各自单一方法缺陷,进行互补。     

Product Assembly Cost Estimation Based on Artificial Neural Networks

1　ＩｎｔｒｏｄｕｃｔｉｏｎＤｕｒｉｎｇｔｈｅｐｒｏｄｕｃｔｄｅｓｉｇｎｓｔａｇｅ ,ｉｔｉｓｎｅｃｅｓｓａｒｙｔｏｅｓｔｉｍａｔｅｐｒｏｄｕｃｔｃｏｓｔｓｏｔｈａｔｗｅｃａｎｕｓｅｔｈｉｓｉｎｆｏｒｍａｔｉｏｎｔｏｅｖａｌｕａｔｅｔｈｅｐｒｏｄｕｃｔｄｅｓｉｇｎｅｃｏｎｏｍｉｃａｌｌｙ ,ｔｏａｄｊｕｓｔｔｈｅｄｅｓｉｇｎｓｃｈｅｍｅｔｏｒｅｄｕｃｅｃｏｓｔｉｎｔｉｍｅａｎｄａｓａｃｏｎｓｅｑｕｅｎｃｅｔｏｃｏｎｔｒｏｌｔｈｅｐｒｏｄｕｃｔｃｏｓｔｅｆｆｅｃｔｉｖｅｌｙ .Ｔｈｅｐｒｏｄｕｃｔｃｏｓ…     

基于人工神经网络的汽车座椅舒适度评价模型

针对汽车座椅舒适度评价方法研究的不足,探讨压力分布与舒适度之间的关系;引入人工神经网络,建立了基于BP神经网络的汽车座椅舒适度评价模型.通过真人真车实验获取36组样本数据,对神经网络进行训练并建立了评价模型.实例验证该模型能够根据座椅压力分布较为准确地预测出座椅舒适度水平.     

基于人工神经网络的无芯片电子标签识别

本文提出了一种基于人工神经网络的无芯片电子标签识别方法.首先利用CST对不同夹角的标签进行仿真,得到水平和垂直两个方向的散射场,然后建立识别系统的神经网络模型,并利用该模型实现对标签的识别.该方法的优点是,使用1/2的样本数据训练神经网络模型,就可以得到准确的识别结果.仿真结果表明,基于神经网络的识别方法的误差在5°的范围内.