1 塔里木大学水利与建筑工程学院，阿拉尔 843300
2 塔里木大学南疆岩土工程研究中心，阿拉尔 843300
将体积掺量为0.3%的聚乙烯醇(PVA)纤维掺入C30混凝土，分别开展不同浓度溶液作用下的全浸泡-烘干试验，从而探究PVA纤维混凝土的抗劣化性能。以劣化试验数据作为原始样本值，分别建立GM(1,1)模型、BP神经网络模型和GM(1,1)-BP神经网络组合模型对样本数据进行拟合精度对比，并对35~50次循环后的相对动弹性模量数值做出预测，分析整体变化趋势。结果表明：混凝土试件在10倍基准浓度溶液下的评价指标变化最稳定，表明PVA体积掺量为0.3%的试件在高浓度溶液下的抗劣化性能较好；GM(1,1)模型对样本的整体趋势变化预测较为准确；BP神经网络模型对样本单一点的变化趋势预测较为准确，整体精度最高；而组合模型克服了两种单一模型的不足之处，预测值与测试值的变化趋势一致，预测效果最好。
纤维混凝土 劣化试验 GM(1,1)模型 BP神经网络模型 组合模型 fiber concrete deterioration test GM (1,1) model BP neural network model combination model
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
2 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
3 江苏大学现代农业装备与技术教育部重点实验室, 江苏 镇江 212013
4 河南科技大学物理工程学院, 河南 洛阳 471023
圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。
可见/近红外光谱 圣女果 改进BP神经网络模型 竞争自适应重加权采样算法 Visible/near-infrared spectroscopy Cherry tomato Improved BP neural network model Competitive adaptive reweighted sampling algorithm
1 西安理工大学机械与精密仪器工程学院, 陕西 西安710048
2 北方民族大学电气与信息工程学院, 宁夏 银川750021
活体植物叶片叶绿素含量SPAD值易受叶片厚度、 水分等影响, 提出了基于多参数神经网络建模的叶绿素含量精细反演方法。 通过测量叶片在中心波长分别为650, 940和1 450 nm光照射下的透过率, 获得叶片的SPAD值和水分指数WI(water index), 同时用数字螺旋测微仪测量相应的叶片厚度并用分光光度法测得其叶绿素含量。 利用建模集样本分别建立SPAD值与实测叶绿素含量之间的单参数模型和基于BP神经网络的WI、 厚度及SPAD值与实测叶绿素含量之间的非线性模型。 利用这两种模型分别计算获得验证集样本的叶绿素含量预测值, 对预测值和实测值进行了相关分析和相对误差的分析。 实验以340个三种不同植物叶片为样本, 用以上方法进行了分析。 结果表明, 利用BP神经网络建模后, 每种植物样本的叶绿素含量预测精度都有不同程度的提高, 尤其对于叶片厚度值较大的样本, 效果更为明显。 数据显示所有混合样本平均相对误差绝对值由单参数模型的7.55%降低到5.22%, 实测值与预测值的拟合决定系数由0.83提高到0.93。 验证了利用多参数BP神经网络模型可以有效地提高活体植物叶绿素含量预测精度的可行性。
叶绿素含量 BP神经网络模型 Chlorophyll content BP neural network model SPAD SPAD WI WI 光谱学与光谱分析
2015, 35(9): 2629
江南大学物联网工程学院， 江苏 无锡 214122
苹果粉质化程度是衡量其内部品质的一个重要因素，粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点，能够无损检测苹果内部品质。提出了有监督等距映射（S-Isomap）和支持向量机（SVM）相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维，再用SVM对降维后的数据进行分类。对于未知类别的测试样本，采用BP神经网络建模输出的方法，而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明，对高光谱数据而言，用S-Isomap-SVM得到的检测精度最高。
光谱 高光谱散射图像技术 有监督等距映射 支持向量机 非线性降维 BP神经网络 激光与光电子学进展
2011, 48(10): 101002
1 西北农林科技大学 资源环境学院，陕西 杨陵 712100
2 咸阳师范学院 资源环境系，陕西 咸阳 712000
利用冠层光谱反射率数据( Rλ )，对处于开花期的7种果树的树种进行了辨识研究.通过光谱数据重采样、植 被指数求算等相关数据处理，比较了6种卫星传感器与4种植被指数对果树树种的辨识效能，并在优选数据形式、 优化模型参数的基础上，建立了辨识果树树种的BP神经网络模型.主要结论为:(1)6种卫星传感器辨识果树树种 的效能由强到弱的排列顺序为:MODIS、ETM+、QUICKBIRD、IKONOS、HRG、ASTER;(2)在4种植被指数中，RVI对 果树树种的辨识效能最强，其次是NDVI，SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红 外通道与蓝光通道上的反射率数据，求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在 R λ 及其22种变 换数据中，波长间隔设为9nm的d 1 ［log(1/ R λ ) ］，是建立BP神经网络模型的首选数据形式
高光谱遥感 光谱分析 植被指数 BP神经网络模型 果树树种辨识 hyperspectral remote sensing spectral analysis vegetation index BP neural network model identification of species of fruit trees
1 西北农林科技大学资源环境学院， 陕西 杨陵712100
2 咸阳师范学院资源环境系， 陕西 咸阳712000
利用冠层光谱反射率数据（Rλ）， 对处于果实成熟期的七种挂果果树的树种进行了辨识研究。 通过光谱数据重采样、 植被指数求算等相关数据处理， 比较了六种卫星传感器与四种植被指数对果树树种的辨识效能， 并在优选数据形式、 优化模型参数的基础上， 建立了辨识果树树种的BP神经网络模型。 主要结论为： （1）六种卫星传感器辨识果树树种的效能由强到弱的排列顺序为： MODIS， ASTER， ETM+， HRG， QUICKBIRD， IKONOS； （2）在四种植被指数中， RVI对果树树种的辨识效能最强， 其次是NDVI， SAVI与DVI的辨识效能相对较弱； （3）用MODIS或ETM+传感器的近红外通道与红光通道上的反射率数据， 求算的RVI与NDVI对果树树种的辨识效能相对较强； （4）在Rλ及其22种变换数据中， 波长间隔设为9 nm的d1［log(1/Rλ)］， 是建立BP神经网络模型的首选数据形式； （5）利用波长间隔设为9 nm的d1［log(1/Rλ)］这一数据形式， 建立了辨识果树树种的3层BP神经网络模型。
光谱分析 果树树种 辨识 卫星传感器 植被指数 BP神经网络模型 Spectral analysis Species of fruit trees Identification Satellite sensor Vegetation index BP neural network model 光谱学与光谱分析
2009, 29(7): 1937
