基于改进遗传算法的棉花异性纤维目标特征选择

为提高基于机器视觉的棉花异性纤维在线分类的精度和速度,提出了一种基于改进遗传算法的特征选择方法.采用分段式染色体管理方案实现对多质特征空间局部化管理;利用分段交叉和变异算子避免出现无效染色体,提高搜索效率;通过自适应调整交叉和变异概率实现强搜索能力和快收敛速度的动态平衡.实验结果表明,该方法比基本遗传算法搜索能力更强、收敛速度更快,所得最优特征子集较小,更适用于棉花异性纤维在线分类.     

基于BPSO的棉花异性纤维目标特征快速选择方法

针对现有棉花异性纤维目标特征选择方法迭代次数多、速度慢等问题,提出了一种基于改进粒子群优化算法的棉花异性纤维目标特征快速选择方法.使用离散型粒子群优化算法作为特征选择算法,利用支持向量机算法作为分类器对最优特征集进行验证.实验结果表明,在分类准确率与蚁群算法相当的情况下,能减少26％的运行时间.     

基于改进蚁群算法的雅砻江流域梯级联合优化调度研究

提出一种改进蚁群算法(IACO,Improved ant colony optimization algorithm)求解梯级水库群优化调度问题,算法的改进主要包括嵌入邻域搜索和禁忌搜索,初始解生成技术和基于可行性的目标函数比较规则。论文以雅砻江流域梯级五级电站联合运行为背景,对蚁群算法和改进蚁群算法的求解质量和收敛性进行比较,实例验证表明,改进蚁群算法可以获得较好的优化调度结果。     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%～43.08%、较回形耕法降低24.98%～86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。     

基于自动视觉检测的棉花异性纤维分类系统

为实现棉花异性纤维的在线识别,设计了一种基于自动视觉检测(AVI)的棉花异性纤维分类系统.该系统利用棉层生成器将待检测皮棉制成约2mm厚的均匀薄层使其中的异性纤维更容易检测,利用彩色线扫描相机检测有色异性纤维,利用单色线扫描相机检测在紫外线激发下能产生荧光的白色异性纤维.采用多特征多分类器集成的模糊分类方法实现了对异性纤维的分类.实验表明,该系统对异性纤维的平均分类正确率可达到80%.     

基于贪心—蚁群钵苗自动移栽路径分段优化算法研究

针对由于穴盘孔数增大,蚁群算法收敛速度慢,且难于达到全局最优的问题,综合蚁群算法和贪心算法的优点,提出基于贪心—蚁群钵苗自动移栽路径分段寻优算法(GACS算法)。GACS算法首先将穴盘进行分段,然后利用蚁群算法进行段内最优路径,最后利用贪心算法确定段间最优连接路径,从而实现钵苗自动移栽路径达到全局最优。以运行时间和路径长度为评价指标,将GACS算法与蚁群算法进行对比。结果表明:分段数是算法重要参数,50、72和128规格穴盘,所对应的最佳分段数分别为2、4和6。由于采用分段策略,GACS算法较蚁群算法在性能上有了显著提高,算法时间缩短到蚁群算法的20%以下,最优路径长度比蚁群算法更短,算法收敛速度更快。GACS算法能够有效地解决钵苗自动移栽过程中的路径优化问题,提高移栽效率。     

基于PSO-EACO的农业机器人路径规划仿真研究

针对农业机器人在完成采摘、质量检测、信息采集等作业中路径规划低效问题,采用粒子群(PSO)和改进蚁群(EACO)融合算法对路径规划进行改进。该融合算法先通过带有惯性权重的粒子群算法找到初始路径,然后将该种群看作蚁群算法的初始信息素来分布,从而进行精密搜索,避免盲目搜索带来的低效,提高搜索速度。结果表明:融合后的PSOEACO算法得出的路径长度比改进的EACO算法缩短2.5%,完成任务用时缩短5.1%。本算法能够规划出最优行走路径,提高农业机器人的工作效率。     

基于Pareto蚁群算法和3S技术的灌区水资源空间优化配置

为了解决灌区水资源配置中的信息采集方法落后和多目标模型求解易陷入局部最优等问题,通过伪随机并行搜索和最近邻域选择等策略对Pareto蚁群算法进行改进,然后将Pareto蚁群算法与3S技术耦合,以宁夏银北灌区为仿真对象,利用改进的Pareto蚁群算法计算灌区多目标、多约束的水资源空间优化配置模型,获得最优的井灌水量、渠灌水量、排水量以及最优的经济效益和灌排费用。基于Pareto蚁群算法和３S技术的灌区水资源空间优化配置,能加快算法的收敛速度,获得全局最优解,使优化结果更接近实际,对灌区的水资源宏观调度具有一定的参考价值。     

基于线激光的棉花中白色异性纤维检测

针对棉花中白色异性纤维检测,分析了棉纤维与异性纤维不同的反光特性,在此基础上提出了一种基于线激光的检测方法。实验结果表明,在线激光照射下,棉花与白色异性纤维图像的灰度直方图呈双峰特性,显著提高了白色异性纤维与棉花背景之间的对比度,简单的图像二值化分割算法就能有效检测出大部分白色异性纤维,对6种典型实验白色异性纤维的平均检出率为92.08%。     

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度，降低数据冗余度和差异性对预测结果的影响，提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先，构建最优特征子集选取模型，通过设计最优特征子集选取指标，以降低特征之间冗余度和数据维度；采用改进的离散灰狼算法对特征子集选取模型进行求解，以实现最优特征子集选取。其次，建立模糊聚类改进SVR预测机制，通过设计多度量核FCM（Fuzzy C-means）算法，以实现数据样本自动分类；提出与数据样本分类相对应的SVR预测算法，并采用灰狼算法对SVR参数进行优化，最大程度降低样本数据差异性对预测精度的影响。最后，融合最优特征子集选取和模糊聚类改进SVR预测机制，以实现养殖禽舍温度高精度预测。仿真结果表明，该算法实现不同季节条件下养殖禽舍温度的高精度预测，相比于其他预测算法，预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能，具有一定的推广应用价值。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于改进分离阈值特征优选的秋季作物遥感分类

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。     

基于特征优选的多时相SAR数据水稻信息提取方法

多时相合成孔径雷达(Synthetic aperture radar, SAR)数据可为水稻提取提供丰富信息,在多云多雨地区对水稻识别和监测具有独特优势。但过多特征变量的加入,一定程度上造成“维数灾难”及信息冗余,因此,本文提出一种基于多时相后向散射特性及干涉相干性优选特征的水稻提取方法。基于研究区水稻生长周期的多时相Sentinel-1 SAR数据,构建后向散射系数和干涉相干系数特征集,利用ReliefF算法对特征重要性进行排序,同时采用JM距离确定最优特征数目完成最优特征选择,结合随机森林分类算法对研究区水稻进行提取及精度评价。结果表明：基于优选特征提取水稻面积相对误差为4.96%,总体精度达到92.48%,Kappa系数为0.90;从优选特征剔除干涉相干特征提取的水稻面积相对误差增加2.39个百分点,总体分类精度和Kappa系数分别降低4.03个百分点、0.06,说明干涉相干性有利于水稻信息提取。基于多时相后向散射特性及干涉相干性的特征优选减少了数据冗余,提高了运算效率,可实现大范围高精度水稻提取。     

基于改进二叉树支持向量机的离心泵工况识别方法

为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.     

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法（SSA）优化变分模态分解（VMD）和长短时记忆神经网络（LSTM）的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合[K,α]将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解（EEMD）和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。     

基于位置特征的行间杂草识别方法

研究了利用条播作物的位置特征识别行间杂草的方法。根据条播作物成行排列的位置特征,利用像素位置直方图法识别作物中心行。根据多数杂草位于作物行之间裸土中的位置特征,以每条作物行左右边界线段的起始点作为种子,运用种子填充算法填充与其相连通的作物行区域,从而识别行间杂草。试验表明：行间杂草的准确识别率平均为80%,错误识别率平均为4.2%,适用于早期作物田间杂草识别。