排序方式: 共有107条查询结果,搜索用时 15 毫秒
81.
以“红”李子和“青”李子为研究对象,提出了基于高光谱成像技术结合误差反向传播(error Back Propagation,BP)网络无损检测李子硬度的方法。采用高光谱图像采集系统获取了李子样本的高光谱图像,并提取了感兴趣区域的平均光谱反射率;综合比较了不同光谱预处理方法(一阶导数(derivative)、标准正态变换(SNV)和多元散射校正(MSC))对BP网络模型检测效果的影响;并利用主成分分析方法对预处理后的光谱数据进行降维,以提取能反映李子硬度的特征光谱。研究结果表明:derivative预处理后的光谱具有较好的李子硬度校正能力(RC=0.939,RMSEC=0.153),而SNV预处理后的光谱具有较好的李子硬度预测能力(RP=0.723,RMSEP=0.580);采用主成分分析法选择了累计贡献率超过99.99 %的主成分作为样本集特征光谱数据,很好地实现了光谱数据的降维,提升了BP网络模型的运行效率。这表明高光谱成像技术结合BP网络可实现李子硬度的无损检测。 相似文献
82.
为解决信息不完备情况下的检测准确率低、时间长的问题,提出面向不完备信息的网络入侵检测方法。针对信息不完备,采用基于SMOTE的采样方法增加少数类样本,实现信息特征稳定下的数据完备化。针对特征冗余,构建基于DBN的特征低维映射,实现数据降维,以便轻量级检测。基于SVM算法,精准捕捉入侵特征,实现快速的轻量级入侵检测。实验结果表明,信息完备化处理提高了罕见攻击的检测准确率,特征降维大幅降低了检测时长。 相似文献
83.
对一台纹波精度达0.1%的稀土永磁直流发电机的纹波误差产生机理进行了定性的分析与计算,并论述了纹波误差的组成。经过分析得出,纹波误差主要由原理性因素和工艺性因素引起。原理性因素包括绕组离散分布、齿槽效应、极宽和槽数的配合、磁场波形;工艺性因素包括气隙偏摆、磁钢充磁及装配偏差、导体分度偏差、电刷工艺性偏差和电刷噪音。计算表明,众多因素中,齿槽效应及工艺偏差是造成纹波偏差的主要原因。 相似文献
84.
针对单对极结构磁阻式旋转变压器因其磁路缺少补偿,导致偏心等因素对其精度影响较大的问题,提出一种新结构的轴向磁场一对极磁阻式旋转变压器,其磁路具有补偿优势,从而解决偏心带来的误差问题.原理样机定子采用激磁绕组与信号绕组所在平面正交设计,转子无绕组且采用斜环状导磁结构设计.采用磁路解析方法分析表明:改变定转子磁路耦合面积可... 相似文献
85.
86.
猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见(200 nm~1 000 nm)光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换(standard normal variation,SNV)]对光谱的预处理效果,应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播(error back propagation,BP)网络模型。结果表明:SNV预处理效果最优,采用CARS从1 024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP2=0.901,均方根误差(root mean squares errors for prediction,RMSEP)为0.643%,剩余预测偏差(residual predictive deviation,RPD)为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。 相似文献
87.
88.
为实现开阳枇杷糖度的快速无损检测,采用紫外/可见光纤光谱仪采集开阳枇杷的反射光谱,探究比较标准正态变换以及多元散射校正预处理原始光谱的效果;应用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、连续投影算法以及组合两种方法分别筛选特征变量,基于筛选的特征变量构建预测开阳枇杷糖度的反向传播(back propagation,BP)神经网络检测模型。结果表明:标准正态变换预处理效果相对较好;基于CARS从835个全变量中筛选出49个特征变量,使模型的运算效率明显提高;构建的枇杷糖度预测模型中,CARS-BP的性能最好,预测集相关系数为0.91,均方根误差为0.56%,剩余预测偏差为2.42。表明采用紫外/可见光谱结合BP神经网络适用于开阳枇杷糖度的快速无损检测,为后期在线无损检测设备的研发提供参考。 相似文献
89.
90.
为了实现苹果表面损伤的快速无损检测,基于高 光谱成像技术结合模式识别算法建立了苹果表面损 伤检测模型。首先,利用高光谱图像采集系统采集完好无损和表面损伤苹果样本的高光谱图 像,提取正常 区域和损伤区域的平均光谱反射率曲线;然后,采用标准正态变换(SNV)和多元散射校正(MSC)分别 对原始光谱数据进行预处理;最后,利用偏最小二乘判别分析(PLS-DA)方法,建立了苹 果表面损伤 SNV+PLS-DA和MSC+PLS-DA检测模型。结果表明:采用SNV和MSC光谱预处理方法可有效地消 除高 光谱图像中的噪声;利用SNV+PLS-DA检测模型对校正集和检验集样本的正确识别率分别为 70.8%和 77.5%,而采用MSC+PLS-DA检测模型对校正集和检验集样本的正确识 别率分别为71.7%和77.5%。因此, 基于高光谱成像技术结合模式识别方法,可实现苹果表面损伤的无损检测。 相似文献