BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环 节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判 断,为实现草地牧草自动分类与数字化治理提供了新的途径。本文提出了基于MSRA初始化卷 积神经网络的草地牧草高光谱图 像自动识别与分类的方法。主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节 ,首先预处理采用改进的自适应 波段选择法进行波段提取,然后将提取后的数据压缩成新图像进行裁剪,最后进入MSRA 初 始化卷积神经网络提取特征并进行 识别分类。本文针对卷积神经网络的鲁棒性、稳定性和识别率等问题创新性的提出了MSRA初 始化方法,通过初始化设置参数 和权值,使网络的性能得到提升,提高识别准确率。本文对实地采集的蒙古冰草、老麦芒、 紫羊毛草、燕麦、黄花杂交苜蓿、 光穗冰草6种牧草进行识别分类,为保证实验的可靠性与准确性,对训练集和测试集进行多 次划分及多次交叉验证实验。实 验结果表明,本文提出的MSRA初始化卷积神经网络相比于SVM、KNN、2D-CNN等方法,对草 地牧草高光谱图像的识别准确率 较高,达到96.50%。实验结果证明本方法具有良好的分类性能和可行 性,为草地牧草的识别分类提供了新思路。     

重型数控落地铣镗床主轴组件温度场分布建模

针对重型数控落地铣镗床主轴组件的热态特性进行分析,研究了主轴组件内部热源发热量和热边界条件的确定方法,运用有限元方法对落地铣镗床主轴组件工作过程中的温度场分布进行了建模,并用实验的方法对主轴组件的温度场分布模型进行参数修正,提高了建模精度.