1 河南科技大学农业装备工程学院, 河南 洛阳 471003 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
2 河南科技大学农业装备工程学院, 河南 洛阳 471003
3 河南科技大学农学院/牡丹学院, 河南 洛阳 471023
4 河南科技大学物理工程学院, 河南 洛阳 471023
玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。
高光谱图像技术 玉米 品种鉴别 极限学习机 组合筛选 Hyperspectral image Maize Varieties identification Extreme learning machine Combination screening method 光谱学与光谱分析
2023, 43(9): 2928
光学 精密工程
2023, 31(22): 3289
无人装备一般数量众多、执行任务时间长、环境恶劣, 因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低, 为解决此问题, 提出基于Kalman融合模型的RUL预测方法。首先, 采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段; 其次, 利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测, 每种模型可以捕捉综合性能指标的不同特征; 最后, 通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示, Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度, 与ELM, SVR和GM(1,1)单一模型相比, 拟合精度分别提高了16.96%, 1.61%和39.84%, 预测精度分别提高了45.06%, 38.35%和74.12%。
剩余寿命预测 GM(1,1)模型 极端学习机(ELM) SVR支持向量机 Kalman融合模型 RUL prediction GM(1,1) model Extreme Learning Machine (ELM) SVR support vector machine Kalman fusion model
1 桂林电子科技大学电子工程与自动化学院，广西 桂林 541004
2 桂林航天工业学院生物医学与人工智能实验室，广西 桂林 541004
3 江门市中心医院医学影像智能计算及应用实验室，广东 江门 529030
针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题（Non-IID），提出了一种基于自适应聚合权重的联邦学习算法（FedAaw）。在全局模型聚合过程中，提出准确率阈值来筛选出本地模型，并由中心服务器采用筛选后模型的准确率计算相应的聚合权重，从而对全局模型进行聚合，使得分类性能较佳的模型参与全局模型的构建，以达到缓解多中心数据Non-IID的问题。同时，为提高模型挖掘图像长短距离信息之间的能力，在本地和全局模型中引入多头自注意力（MHSA）机制。此外，为缓解端对端的冗余特征造成的模型过拟合问题，提取全局模型中卷积核的特征，并采用基于L1范数的稀疏贝叶斯极限学习机（SBELML1）的集成学习方法完成各中心数据的特征分类。最后，通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1（0.7947~0.8037）、中心2（0.8105~0.8405）、中心3（0.6768~0.7758）、中心4（0.8496~0.9063）、中心5（0.8913~0.9348），该结果表明：FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。
自适应聚合权重 联邦学习 多头自注意力 L1范数的极限学习机 对抗验证 激光与光电子学进展
2023, 60(22): 2210003
重庆交通大学 机电与车辆工程学院，重庆400074
针对三维力传感器维间耦合干扰问题，以基于光纤布拉格光栅（Fiber Bragg Grating， FBG）的一体式三维力传感器为研究对象，提出了一种基于白鲨优化算法的优化极限学习机（White Shark Optimizer-Extreme Learning Machine， WSO-ELM）的非线性解耦算法。首先，设计了基于FBG的一体式三维力传感器，阐明该传感器波长漂移量与三维力的映射关系；然后，搭建静态标定实验系统，分析三维力耦合特征，并建立WSO-ELM算法三维力传感器解耦模型，利用白鲨优化算法（White Shark Optimizer， WSO）稳定、高效特点优化模型，寻找ELM神经网络隐含层神经元数与解耦时间的最佳参数组合，开展基于WSO-ELM的三维力传感器非线性解耦研究；最后，该传感器解耦后最大平均I类误差达到0.51%，最大平均II类误差达到0.65%，实现了基于WSO-ELM的三维力非线性解耦。为验证解耦效果，将WSO-ELM算法与极限学习机神经网络模型、反向传播神经网络、最小二乘法解耦效果进行对比实验。实验结果表明：WSO-ELM算法具有较好的解耦效果，能有效构建三维力维间耦合关系，同时降低传感器耦合干扰，提高传感器的测量精度，具有良好的非线性解耦能力。
白鲨优化算法 非线性解耦 三维力传感器 光纤布拉格光栅 极限学习机算法 white shark optimizer nonlinear decoupling three-dimensional force sensor fiber Bragg grating extreme learning machine 光学 精密工程
2023, 31(18): 2664
Author Affiliations
Abstract
1 Departamento de Física e Astronomia, Faculdade de Ciências, Universidade do Porto, Rua do Campo Alegre s/n, 4169-007 Porto, Portugal
2 INESC TEC, Centre of Applied Photonics, Rua do Campo Alegre 687, 4169-007 Porto, Portugal
Extreme Learning Machines (ELMs) are a versatile Machine Learning (ML) algorithm that features as the main advantage the possibility of a seamless implementation with physical systems. Yet, despite the success of the physical implementations of ELMs, there is still a lack of fundamental understanding in regard to their optical implementations. In this context, this work makes use of an optical complex media and wavefront shaping techniques to implement a versatile optical ELM playground to gain a deeper insight into these machines. In particular, we present experimental evidences on the correlation between the effective dimensionality of the hidden space and its generalization capability, thus bringing the inner workings of optical ELMs under a new light and opening paths toward future technological implementations of similar principles.
Extreme Learning Machine Optical Computing Machine Learning Optics Journal of the European Optical Society-Rapid Publications
2023, 19(1): 2023001
1 战略支援部队信息工程大学数据与目标工程学院，河南 郑州 450000
2 西南交通大学地球科学与环境工程学院，四川 成都 611756
针对合成孔径雷达（SAR）图像变化检测中差异图质量不佳、检测精度偏低以及检测时间长等问题，提出了一种基于对数双曲余弦比（LHCR）差异图构造与多区域特征卷积极限学习机的无监督变化检测新方法。该方法主要由差异图生成和差异图分析两个阶段组成。在差异图生成阶段，利用各向异性扩散滤波器对同一地区不同时间的两幅SAR图像分别滤波，使用对数双曲余弦变换对滤波后的图像进行增强，通过对数比处理得到LHCR差异图，在抑制相干斑噪声的同时，增强差异图的对比度。在差异图分析阶段，应用分层模糊C均值聚类得到变化类、不变类和中间不确定类的预分类结果；进而从差异图、双时相SAR图像中获取多区域样本块，构成三通道数据输入卷积层进行特征提取。特征具有强调中心区域、抑制边缘噪声的特点；最后，使用变化类和不变类的特征向量进行极限学习机分类训练，再用训练好的模型对中间不确定类像素自动分类实现变化检测。Radarsat-2和高分三号数据集的实验结果表明了所提方法的有效性。
遥感与传感器 合成孔径雷达图像 变化检测 差异图 多区域特征 对数双曲余弦变换 极限学习机 光学学报
2023, 43(12): 1228001
1 江南大学人工智能与计算机学院，江苏 无锡 214122
2 海军研究院，北京 100161
针对复杂战场环境要求天波雷达快速精准定位的问题，提出一种基于多策略改进麻雀搜索算法的定位模型。首先，使用立方混沌映射、步长因子动态调整、反向学习和混合变异算子对麻雀搜索算法进行改进，形成改进的麻雀搜索算法；然后，采用改进后的麻雀搜索算法寻找混合核极限学习机（HKELM）最优的核函数参数和混合核的权重系数；最后，使用寻优后的HKELM对天波雷达探测到的目标进行定位。结果表明，改进后的麻雀搜索算法在精度上和稳定性上优于用基本麻雀搜索算法改进的HKELM模型和极限学习机（ELM）定位模型，表明了所提算法的有效性。
光计算 天波雷达 目标定位 麻雀搜索算法 混合核极限学习机 激光与光电子学进展
2023, 60(10): 1020001
