温室湿度环境的主成分分析人工神经网络建模研究

实测温室内影响空气湿度的环境因子组成数据样本,对数据样本进行主成分分析,提取出影响温室湿度的4个主要成分．讨论提取的主成分与原始过程数据样本间的关系。以采用主成分分析后的数据样本作为神经网络模型的输入变量,模型模拟值和实测值之间的相关系数R^2为0．8842。以±0．1作为模拟相对误差,命中率达到85％。用训练后的网络模型对20组未参加建模的样本数据进行模拟,均方根误差为1．6745,优于回归方程法的4．4349。基于神经网络模型,运用敏感性分析法对影响湿度的各医素进行重要性分析和排序,得出各影响因素的重要程度依次为室内温度、室外湿度、室外温度、保温帘展开度、室外风速、室外太阳辐射照度、天窗开窗角度和侧窗开窗角度．     

高白鲑繁殖力的主成分分析

本文为了综合评价高白鲑鱼繁殖力,应用主成分分析法对高白鲑的繁殖力进行了分析。分析结果表明:1高白鲑绝对怀卵量为59 397.9±33 649.8e,相对范围为25 703.1~93 092.7e;相对怀卵量为32.52±15.13 e/g,相对范围为17.39~47.65 e/g。2第一主成分贡献率为84.328%,主成分的取舍合适,反映了6项指标的绝大部分信息。3在第一主成分上,这6项指标都达到了比较大或者说很大的水平,这就说明这6项指标在判断繁殖力大小时所起的作用都很显著,4主成分分析的散点图和排序图显示,10个高白鲑个体的繁殖能力分为3类:编号2、8、9的繁殖力较强,编号1、3、4、6的繁殖力较弱,编号5、7、10的繁殖力介于两者之间,且2号的繁殖力最强,3号的繁殖力最弱。本研究证实卵巢重与绝对怀卵量对高白鲑繁殖力的评价作用最大,体长与体重其次,成熟系数与相对怀卵量的作用最低。     

基于主成分分析和BP神经网络的土壤养分近红外光谱检测

基于近红外光谱技术的土壤养分快速、无损检测,有利于精细施肥决策。在一黄豆田采用7 m×7 m的栅格采集54个土样,测定其土壤有机质、速效氮、有效磷、有效钾,并使用FieldSpec 3光谱仪测定土样的近红外漫反射光谱。将54个样本随机分成预测集与验证集,其中预测集40个,验证集14个。通过平滑预处理后,利用主成分分析法(PCA)提取原始光谱8个主成分。然后以8个主成分为输入,分别以所测土壤养分作为输出,建立土壤有机质、速效氮、有效磷、有效钾的预测模型,最后对14个验证样本进行预测。结果表明,在小尺度采样的情况下进行光谱分析,采用主成分分析和人工神经网络相结合的方法建立土壤有机质预测模型,其测量值与预测值的相关性较高,相关度为0.796 2,相对误差较小,其平均值为1.88%,表明该方法预测土壤有机质含量是可行的。但对土壤速效氮、有效磷和有效钾含量的预测并不理想,还有待进一步研究。     

基于高光谱成像技术和SVM神经网络的马铃薯外部损伤识别

探索利用高光谱成像技术识别马铃薯外部损伤的方法。对外部冻伤、机械损伤、摔伤和正常4类共162个马铃薯样本进行高光谱成像试验,对试验得到的原始数据进行主成分分析以实现数据降维,从降维后的特征图像中提取均值、标准差、平滑度、三阶矩、一致性、熵6个描绘子组成特征向量,把特征向量分别输入贝叶斯分类器、BP神经网络和SVM神经网络3个模型进行识别,结果贝叶斯分类器模型对冻伤和机械损伤两类马铃薯相互误判严重,BP神经网络模型对机械损伤类马铃薯识别率低,而SVM神经网络模型较前两个模型的识别率有明显提高,是最为适合的马铃薯外部损伤识别模型。     

基于主成分回归法的稻飞虱百穴虫量冠层光谱检测

[目的]针对水稻虫害发生程度预警和田间稻飞虱虫害动态监测问题,采用光谱检测技术,运用主成分回归法建立稻飞虱百穴虫量检测模型。[方法]使用FieldSpec3光谱仪在稻田采集冠层光谱数据,同步检测地块稻飞虱百穴虫量,样本量为71个,其中51个样本为校正集,20个样本为预测集。建模波段选择350～1139nm,对原始光谱进行一阶微分处理。[结果]测量值与预测值的相关系数为0.78,预测标准偏差为161头。[结论]光谱检测可用于稻飞虱测报工作。     

基于高光谱技术结合纹理特征分析牛奶致病菌

牛奶是一种非常有营养的乳制品,牛奶中主要有酪蛋白、白蛋白、球蛋白、乳蛋白等蛋白质,所含的20多种氨基酸中有8种氨基酸是人体必须的氨基酸。牛奶中含有的半乳糖和乳糖,是最容易消化吸收的糖类。奶中的矿物质和微量元素都是溶解状态,且各种矿物质的含量比例合适,很容易消化吸收。牛奶经过消毒杀菌后,还需要检测其是否含有致病菌及其菌群的浓度,来判断是否能投入市场。高光谱成像系统结合纹理特征分析可以快速无损检测牛奶中是否含有致病菌,对senth纹理特征值下的各波长的高光谱反射率进行主成分分析得到9个主成分,可以94.93%解释总方差。对经过主成分分析后的数据进行聚类分析,可以较好的区分含菌样本及无菌样本。可以将不同浓度、不同菌种的样本按菌落种类区分开。     

七种高香型乌龙茶香气成分的主成分分析

用主成分分析法对７种高香乌龙茶的主要香气成分进行了分析。结果表明：各香型茶皆有较为突出的赋香物质存在,这些物质的不同组合,形成了各自的香气特征。文章中列出肉桂香茶,玉兰香茶,黄枝香茶,芝兰香茶名香气成分组合的表达式。     

基于高光谱图像的水稻种子活力检测技术研究

随着种子活力逐渐受到人们的重视,快速且不破坏种子的活力检测方法逐渐成为研究的热点。试验以不同老化程度的水稻种子为材料,采用高光谱成像技术结合PCA-SVM方法,研究比较了不同活力水平的水稻种子的活力差异。采集两个水稻品种在400~1000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波段;应用支持向量机(SVM)建立水稻种子活力鉴别模型。结果表明,预测的判别率可达100%,说明高光谱成像技术为快速准确无损测定种子活力提供了一条新的途径。     

基于高光谱成像的鲜桃虫害检测特征向量的选取

本文采用阈值分割和主成分分析方法对高光谱图像进行处理,以得到虫害区域分割结果。然后选取2个特征波长作为光谱特征,提取4个纹理参数作为纹理特征,并将其优化组合成4组特征向量。利用BP神经网络进行鲜桃虫害检测。结果表明,667nm和746nm波段的光谱反射值的光谱特征和270°方向的能量、对比度、熵、相关性的纹理特征的组合为鲜桃虫害检测的最优特征向量,果实识别正确率为100%。     

水稻高光谱遥感监测研究综述

高光谱遥感技术凭借其可以快速、实时、准确、无损地获取水稻生长信息的优势,已经成为监测水稻生长状况的重要手段。本研究综述了高光谱遥感技术在水稻长势监测(包括叶绿素含量、叶面积指数和地上生物量)、产量估算、养分诊断(包括氮素、磷素和钾素)、数据处理与反演方法等领域的国内外研究进展,并针对目前的研究进行了展望,以期为水稻的精准管理提供参考。     

应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别

提出了一种利用近红外透射光谱结合BP神经网络识别未知豆油脂良莠类别的方法。在10 000～3 500 cm-1范围内分别采集合格油、不合格油(精炼垃圾油、煎炸油和变质合格油)的透射光谱,对光谱数据依次作出Savitzky-Golay平滑、基线校正预处理,采用SPSS 11.0抽取出9个主成分(累计贡献率达到99.89%)作为神经网络输入神经元,建立3层BP神经网络模型,模型能够有效辨识未知豆油脂的良莠以及不合格具体种类,类别预测正确率为100%。     

Hyperspectral discrimination of foliar biotic damages in rice using principal component analysis and probabilistic neural network

Assessment of crop health status in real time could provide reliable and useful information for making effective and efficient management decisions regarding the appropriate time and method to control crop diseases and insect damage. In this study, hyperspectral reflectance of symptomatic and asymptomatic rice leaves infected by Pyricularia grisea Sacc, Bipolaris oryzae Shoem, Aphelenchoides besseyi Christie and Cnaphalocrocis medinalis Guen was measured in a laboratory within the 350–2?500 nm spectral region. Principal component analysis was performed to obtain the principal component spectra (PCs) of different transformations of the original spectra, including original (R), common logarithm of reciprocal (lg (1/R)), and the first derivative of original and common logarithm of reciprocal spectra (R′ and (lg (1/R))′). A probabilistic neural network classifier was applied to discriminate the symptomatic rice leaves from asymptomatic ones with the front PCs. For identifying symptomatic and asymptomatic rice leaves, the mean overall discrimination accuracies for R, lg (1/R), R′ and (lg (1/R))′ were 91.3, 93.1, 92.3 and 92%, and the mean Kappa coefficients were 0.771, 0.835, 0.829 and 0.82, respectively. To discriminate between disease and insect damage, the overall accuracies for R, lg (1/R), R′ and (lg (1/R))′ were 97.7, 98.1, 100 and 100%, and the Kappa coefficients were 0.962, 0.97, 1 and 1, respectively. These results demonstrated that hyperspectral remote sensing can discriminate between multiple diseases and the insect damage of rice leaves under laboratory conditions.     

基于PCA-RBF神经网络的森林碳储量遥感反演模型研究

针对碳储量回归预测模型存在共线性和精度较低的问题,利用森林资源二类调查数据和SPOT5影像数据对北京市延庆县的杨树林进行碳储量反演研究。先对选取的10个指标进行主成分分析,在此基础上采用径向基函数(RBF)神经网络方法构建碳储量反演模型,用预留测试样本验证,并与实测值进行比较。研究结果表明:SPOT5数据和二类数据可以很好地结合起来用于森林地上碳储量反演研究;PCA-RBF神经网络森林碳储量遥感反演模型拟合精度为99.90%,平均预测精度达到96.71%,预估效果较理想;模型训练完成后,可以应用于延庆县森林地上碳储量反演。     

不同播期早籼稻米品质性状的变异及主成分分析

采用播期调节方法对华南稻区11个主栽早籼稻品种的9个品质性状进行变异分析及主成分分析,结果表明:不同播期对早籼稻米不同品质性状的影响不一样;综合6播期稻米品质性状达优质稻谷国标的概率,胶稠度的达标率最高,垩白度表现最差,三级达标率为0;不同品质性状对播期变化所表现的变异程度不一致,垩白度、垩白粒率和垩白面积的变异最大,其次是胶稠度和整精米率,长宽比的变异度最小;主成分分析中,包含糙米率、精米率、整精米率和垩白度的第一主成分因子对稻米品质的贡献最大,贡献率达43.81%,其次是胶稠度和碱消值,与前者的累计贡献率达61.74%。     

人工神经网络在遥感图像森林植被分类中的应用

应用人工神经网络模型对陆地卫星TM多光谱图像进行了森林植被分类的研究 ,共选取了 8种主要植被类型 ,重点是研究在不同背景条件下存在同谱异物现象的云杉、油松和落叶松等针叶林树种的分类方法 .所采用的网络模型为 3层误差后向传播神经网络模型 ,鉴于贺兰山自然植被垂直带谱明显 ,利用误差后向传播网络模型的并行分布式结构 ,研究中引入高程数据作为一个独立波段与 3个多光谱波段一起直接进行分类 ,取得了很好效果 .该方法与常规的最大似然法相比 ,存在同谱异物现象的云杉、油松和落叶松的分类精度平均提高了 2 7 5个百分点 .对存在同物异谱现象的阔叶林的分类精度也有一定程度的提高 .     

基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis

Detecting plant health condition is an important step in controlling disease and insect stress in agricultural crops. In this study, we applied neural network and principal components analysis techniques for discriminating and classifying different fungal infection levels in rice (Oryza sativa L.) panicles. Four infection levels in rice panicles were used in the study: no infection condition, light and moderate infection caused by rice glume blight disease, and serious infection caused by rice false smut disease. Hyperspectral reflectance of rice panicles was measured through the wavelength range from 350 to 2500 nm with a portable spectroradiometer in the laboratory. The spectral response characteristics of rice panicles were analyzed, and principal component analysis (PCA) was performed to obtain the principal components (PCs) derived from different spectra processing methods, namely raw, inverse logarithmic, first, and second derivative reflectance. A learning vector quantization (LVQ) neural network classifier was employed to classify healthy, light, moderate, and serious infection levels. Classification accuracy was evaluated using overall accuracy and Kappa coefficient. The overall accuracies of LVQ with PCA derived from the raw, inverse logarithmic, first, and second derivative reflectance spectra for the validation dataset were 91.6%, 86.4%, 95.5%, and 100% respectively, and the corresponding Kappa coefficients were 0.887, 0.818, 0.939 and 1. Our results indicated that it is possible to discriminate different fungal infection levels of rice panicles under laboratory conditions using hyperspectral remote sensing data.     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

基于人工神经网络的林分直径分布预测

以马尾松人工林为研究对象,用人工神经网络建模技术构建了林分直径分布预测模型。经训练和优选,得到的理想模型结构为3∶6∶6∶1,训练误差指标为0.000281,总体拟合准确度为98%。模型对82块训练标准地的累积频率拟合准确度最大为100%,最小为95%,平均为98%;频率拟合准确度最大为96%,最小为75%,平均为87%。模型对18块检验标准地的累积频率预测准确度最大为99%,最小为97%,平均为98%;频率预测准确度最大为96%,最小为76%,平均为88%。所建模型具有很好的拟合效果和很强的预测能力,可用于10～30年生马尾松人工林。研究结果证明,人工神经网络技术可以作为有效的林分直径分布预测技术。     

基于主成分分析的安徽省城市层级划分研究

构建合理的城镇体系对于区域发展具有重要的作用,而科学划分系统内部的城镇层级是城镇体系规划与研究的基础性工作。在分析安徽省城市现状的基础上,首先从8个方面选择26项指标,建立科学的评价指标体系,然后利用主成分分析计算安徽省16个地级市的城市发展综合得分,最后根据综合得分进行聚类分析。根据分析结果,将合肥、芜湖、马鞍山、蚌埠和铜陵划分为实力型城市;安庆、滁州、淮南、黄山、淮北及阜阳划分为中等型城市;宿州、六安、池州、亳州和宣城划分为潜力型城市。