期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
利用CARS-CNN模型的土壤有机质含量高光谱预测 被引量:3
1
作者 李浩 于滈 +3 位作者 曹永研 郝子源 杨玮 李民赞 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第8期2303-2309,共7页
卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光... 卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光-近红外(VIS-NIR)350~1700 nm内的807个光谱波段,通过多元散射校正(MSC)和一阶微分变换进行光谱数据去噪和变换。分别使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)筛选敏感波长实现光谱数据降维。为解决传统手段泛化性差以及深层CNN网络复杂且负载过大的问题,基于CARS与SPA算法,提出一种基于6层卷积层的浅层CNN模型预测,并对比具有不同卷积尺寸和卷积数量的1D-CNN1、1D-CNN2以寻找最优网络参数。通过对比VGG16、支持向量回归(SVR)、最小二乘回归(PLSR)、随机森林(RF)建立预测模型在特征波长以及全波段的表现确定最佳模型。结果表明,相比于全谱波段和SPA筛选算法,基于CARS筛选特征波长建立的模型整体表现更好,波段数量被压缩至全波段的8%,有效实现了光谱数据的降维。对比全波段数据,基于CARS筛选波长的1D-CNN1、1D-CNN2的表现更好,模型预测R2分别提升了0.028,0.018;RMSE分别降低了0.150和0.107 g·kg^(-1)。整体上,基于CARS的1D-CNN1模型表现最好,预测R2=0.846,RMSE=3.145 g·kg^(-1),降低了网络负载的同时提高了模型精度,同时也证明了小尺寸卷积的表现优于更多数量的大尺寸卷积,能够更好的获取数据特征。通过CARS筛选特征波长结合浅层CNN建立SOM含量预测模型,为建立高精度的SOM含量预测模型提供了方法与参考。 展开更多
关键词 土壤有机质 卷积神经网络 高光谱 精细农业
在线阅读 下载PDF
Robust Stability of Uncertain Takagi-Sugeno Fuzzy Systems with Time-varying Input-delay 被引量:4
2
作者 LUO Yah-Bin cao yong-yan SUN You-Xian 《自动化学报》 EI CSCD 北大核心 2008年第1期87-92,共6页
This paper aims to design a controller to robustly stabilize uncertain Takagi-Sugeno fuzzy systems with time- varying input delay.Based on Lyapunov-Krasovskii functional approach,the sufficient conditions for robust s... This paper aims to design a controller to robustly stabilize uncertain Takagi-Sugeno fuzzy systems with time- varying input delay.Based on Lyapunov-Krasovskii functional approach,the sufficient conditions for robust stabilization of such systems are given in the form of linear matrix inequali- ties.The controller design does not have to require that the time-derivative of time-varying input delay be smaller than one. A numeric example is given to show that the proposed results are effective and less conservative. 展开更多
关键词 鲁棒性 不定Takagi-Sugeno模糊系统 延时输入 线性矩阵不等式 Lyapunov-Krasovskii函数逼近
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部