面向特定湍流扰动风场建立参数化的湍流模型, 对于研究大气扰动影响下的飞行动力学和飞行安全问题具有重要意义。基于民航飞机飞行数据, 提出了大气湍流参数化建模方法。首先, 基于原始飞行数据推算出沿航迹的三轴扰动风分量, 并采用高斯过程回归分离出扰动风中的非湍流分量, 经统计检验提取出符合平稳性和正态性的湍流成分;其次, 基于极大似然估计建立湍流频域模型, 基于自回归过程建立湍流时域模型。实际飞行数据的试验表明, 所建立的参数化湍流模型能够实现湍流风场的定制化建模, 可以进一步应用于飞行安全分析和飞行参数估计。
大气湍流 飞行数据 高斯过程回归 极大似然估计(MLE) 自回归模型 atmospheric turbulence flight data Gaussian process regression Maximum Likelihood Estimation (MLE) auto regression model
1 江南大学机械工程学院, 江苏 无锡 214122江苏省食品先进制造装备技术重点实验室, 江苏 无锡 214122
2 布勒中国创新中心, 江苏 无锡 214111
3 江南大学机械工程学院, 江苏 无锡 214122
小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。
粉质特性 近红外光谱 预处理 偏最小二乘回归 主成分分析 高斯过程回归 Farinograph characteristics Near-infrared spectroscopy Preprocessing Partial least square regression Principal component analysis Gaussian process regression 光谱学与光谱分析
2023, 43(10): 3089
1 国网电力科学研究院武汉南瑞有限责任公司，武汉 430074
2 武汉大学 电气与自动化学院，武汉 430072
3 北京空间科技信息研究所，北京 100094
为了降低光纤传输系统中非线性噪声带来的影响，文章提出了基于高斯过程回归 (GPR) 的非线性信道均衡器(CE)，并在强度调制和直接检测光纤链路中进行了实验验证。在文章所提方案中，GPR模型用于估计预处理后的传输符号或相应的非线性噪声。实验结果表明，基于GPR的非线性CE比传统的线性或非线性CE具有更好的性能。实验结果还表明，非线性信道均衡过程中的GPR模型可以理解为具有无限宽度的单层神经网络模型。
高斯过程回归 信道均衡器 单层神经网络 GPR CE single-layer neural network 
1 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097
2 University of New South Wales,Sydney NSW 2052,Australia
3 南京农业大学国家信息农业工程技术中心,江苏 南京 210095
4 山东科技大学测绘科学与工程学院,山东 青岛 266590
5 国家农业信息化工程技术研究中心,北京 100097
地上生物量(AGB)的精准监测是农田生产管理的重要环节, 因此快速准确地估算AGB, 对于精准农业的发展十分重要。 传统上, 获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变得困难。 无人机高光谱遥感因具有机动性强、 光谱分辨率高和图谱合一的优势, 成为当前估算大面积作物AGB最有效的技术手段。 该研究通过无人机平台搭载成像高光谱传感器分别获取马铃薯块茎形成期、 块茎增长期、 淀粉积累期的冠层高光谱影像以及利用烘干称重法获取相应生育期实测AGB数据。 然后, 采用相关性分析法(CAM)、 随机蛙跳算法(RFM)和高斯过程回归波长分析工具(GPR-BAT)分别筛选冠层原始光谱(COS)和一阶导数光谱(FDS)的敏感波长, 结合偏最小二乘回归(PLSR)和高斯过程回归(GPR)构建各生育期的AGB估算模型, 并对比不同模型的估测效果。 结果显示: (1)基于同种方法分别筛选COS和FDS的特征波长, 结合2种回归技术估算AGB的效果均从块茎形成期到淀粉积累期由好变差。 (2)基于FDS分别通过3种方法筛选的特征波长, 通过同种回归技术构建的模型效果要优于基于COS的相应效果。 (3)基于COS和FDS使用CAM, RFM和GPR-BAT方法筛选的特征波长个数在块茎形成期分别为28, 12, 6个和12, 23, 10个, 在块茎增长期分别为32, 8, 2个和18, 28, 4个, 在淀粉积累期分别为30, 15, 3个和21, 33, 5个。 (4)各生育期基于COS和FDS通过3种方法筛选的敏感波长估算AGB效果由高到低依次均为GPR-BAT, RFM和CAM。 (5)各生育期基于FDS通过GPR-BAT方法筛选的敏感波长, 结合PLSR建立的模型精度更高、 稳定性更强, R2分别为0.67, 0.73和0.65, NRMSE分别为16.63%, 15.84%和20.81%。 研究表明利用无人机高光谱成像技术可以准确地估算AGB, 这为实现马铃薯作物长势动态监测, 提供科学指导和参考。
马铃薯 无人机 成像高光谱 随机蛙跳 高斯过程回归 地上生物量 Potato UAV Imaging hyperspectral Random frog Gaussian process regression Above-ground biomass 光谱学与光谱分析
2021, 41(9): 2657
1 武汉中原电子集团有限公司，湖北 武汉 430205
2 华中科技大学软件学院，湖北 武汉 430074
3 华中科技大学武汉光电国家研究中心，湖北 武汉 430074
提出并通过实验验证了一种新颖的带内光信噪比(OSNR)监测技术，该技术利用商用的大带宽可调谐光带通滤波器进行采样，将得到的光功率测量值作为高斯过程回归(GPR)的输入特征值，能够准确地估计出大动态范围OSNR 值，并且不受光链路的配置影响，具有分布式低成本的特点。针对32 Gbaud PDM-16QAM 信号的实验结果表明，在-1dB~30 dB 的大OSNR 范围内，光信噪比监测的均方根误差(RMSE)为0.429 dB，平均绝对误差(MAE)为0.294 dB。此外，本文提出的技术被证明对色散、偏振模色散、非线性效应和级联滤波效应(CFE)均不敏感。实验表明，本文提出的技术有潜力被用于在传输信息未知的情况下对中间节点实施链路监控，且由于不需要校准而更易于操作。
光链路监控 光性能监测 光信噪比 高斯过程回归 相干光通信 optical link monitoring optical performance monitoring optical signal to noise ratio Gaussian process regression coherent optical communication
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 湖北大学资源环境学院, 湖北 武汉 430062
水稻氮素含量的准确监测是稻田精准施肥的重要环节, 水稻叶片氮素含量发生变化会引起叶片、 冠层的光谱发射率发生变化, 高光谱遥感是目前作物氮素无损监测的关键技术之一。 以2018年—2019年湖北监利两年水稻氮肥试验为基础, 分别获取水稻分蘖期、 拔节期、 孕穗期、 扬花期、 灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据, 利用单波段原始光谱和一阶导数光谱的相关性分析、 高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。 针对敏感波段, 利用单波段回归分析、 随机森林（RF）、 支持向量回归（SVR）、 高斯过程回归-随机森林（GPR-RF）、 高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型, 并进行精度对比, 以确定水稻叶片在各生育期的氮素估算最佳模型。 结果表明: GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。 相同条件下, 叶片模型精度整体高于冠层模型。 相关性分析模型中, 叶片尺度原始光谱模型更好, 冠层尺度刚好相反, 冠层一阶导数光谱可以减弱稻田背景噪声的影响。 其中, 叶片最佳模型建模集R2为0.79, 验证集R2为0.84; 冠层最佳模型建模集R2为0.80, 验证集R2为0.77。 与相关性回归分析模型相比, 机器学习模型受生育期影响小（R2>0.80, NRMSE<10%）。 其中, RF比SVR更适合对GPR敏感波段建模, GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。 五种方法中, GPR模型对生育期敏感度最低、 叶片及冠层尺度效果都很好(R2>0.94, NRMSE<6%)。 且与其他四种机器学习方法相比, GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02, NRMSE降低1.2%）。 GPR方法可为筛选作物氮素高光谱敏感波段、 反演各生育期叶片及冠层氮素含量提供方法参考。
敏感波段 氮素 高斯过程回归 随机森林 支持向量回归 高光谱 Sensitive band Nitrogen Gaussian progresses regression (GPR) Random forest (RF) Support vector regression (SVR) Hyperspectral 光谱学与光谱分析
2021, 41(6): 1722
针对高斯过程超参数使用共轭梯度法求解导致的依赖初始值以及容易陷入局部最优解的问题, 提出了一种基于参数非线性动态调整策略的改进粒子群算法, 并应用到超参数求解中。首先, 提出参数动态调整策略, 针对不同的搜索阶段采用不同的参数; 然后,根据免疫思想的浓度调节机制, 提高算法全局搜索能力。仿真实验结果表明,所提算法在最优化求解中能够快速收敛到函数最优值, 同时该算法在求解高斯过程超参数中具有有效性和优越性, 可以为后期预测模型的建立提供精度保障。
故障预测 高斯过程回归 粒子群优化 超参数求解 fault prediction Gaussian process regression particle swarm optimization hyperparameter solving
为了获得更高的预测精度,针对高斯过程回归(GPR)算法在具体应用中出现的依赖核函数的选择以及精度提升空间有限等问题,结合AdaBoost算法思想提出了一种基于AdaBoost.RT算法的GPR预测算法。该算法从统计学角度引入预置阈值的概念,将不同核函数的GPR算法预测结果定性分成正确和错误两部分,并经过两层训练,通过最终权值的大小反映出针对不同核函数的GPR算法的信度大小,最终融合各个核函数输出高质量的预测值。在锂电池的故障预测仿真实验中,该算法的预测相较于传统的GPR算法,平均误差下降了82.14%,证明该算法的合理性和实用性。
AdaBoost算法 高斯过程回归 故障预测 可靠性 AdaBoost algorithm Gaussian Process Regression (GPR) fault prediction reliability
