排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
2.
为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像(400~1 000 nm)作为研究对象,利用多元散射校正(MSC)处理方法对光谱进行预处理。采用多层感知机(MLP)、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析(MDS)方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。 相似文献
3.
从构建“双师型”教师队伍现状出发,分析其存在的问题,提出其培养模式与方法.以吉林农业大学信息技术类“双师型”教师队伍建设为例,给出具体的实施方案及取得的部分成果.本文对高等农业院校“双师型”教师队伍建设具有一定的指导意义.对应用型本科院校构建“双师型”教师队伍具有极其重要的作用. 相似文献
4.
"健康档案管理系统"是使用Delphi程序语言开发软件,采用Paradox数据库技术开发完成的.通过用户资料管理、体检资料管理、数据库管理、日志管理以及权限管理等5大模块,建立起一个规范化的个人健康档案,形成一套完整的健康信息系统,以帮助分析个体健康状况和健康风险因素,针对个体差异采取干预措施,制定保健计划,降低患病风险,改进健康行为,帮助人们拥有一个健康的身体,从而更好地生活和工作. 相似文献
5.
6.
为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像(400~1 000 nm)作为研究对象,利用多元散射校正(MSC)处理方法对光谱进行预处理。采用多层感知机(MLP)、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析(MDS)方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。 相似文献
7.
8.
大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正(MSC)、二阶导数(2ND)和标准正态变换(SNV)对光谱数据进行预处理。利用连续投影算法(SPA)和主成分分析(PCA)对光谱数据降维。以灰度共生矩阵(GLCM)提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法(SVM)的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法(CSA)对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。 相似文献
9.
10.
针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型.结果表明,并行化随机森林模型的判别准确率为97.55%,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据. 相似文献