基于波长注意力的多特征融合卷积神经网络的近红外光谱定量方法

深度学习技术越来越多地应用在近红外光谱的定量分析中,由于近红外光谱数据存在光谱数据量少、数据质量不足等问题,将传统卷积神经网络应用在光谱的定量分析中会出现过拟合,为提升卷积神经网络提取光谱信息的能力,增强网络的泛化性,提出了基于波长注意力的多特征融合卷积神经网络模型(MWA-CNN),对芒果近红外光谱进行干物质含量定量分析。MWA-CNN在传统卷积神经网络的基础上加入了注意力机制以及多特征融合机制,网络可以在训练过程中学习到不同光谱特征以及不同波段的权重信息,从而提取到高质量的光谱信息,缓解传统卷积神经网络中的过拟合问题,提升回归分析的精度。研究中采用11691个芒果样本的近红外光谱数据,采用随机法将80%的样本作为训练集,20%的样本作为测试集,通过测试集均方根误差(RMSEP)、训练集均方根误差(RMSEC)、决定系数(R2)、平均绝对误差(MAE)进行模型评价。先对光谱数据进行标准化预处理,然后通过与偏最小二乘回归(PLS)、极限学习机回归(ELM)、支持向量机回归(SVR)和传统的卷积神经网络(CNN)四种传统模型在原始光谱条件下的预测结果进行对比。预测结果表明MWA-CNN网络在五种方法中表现最佳,MWA-CNN在测试集中的RMSE为0.6699,传统的CNN效果仅次于MWA-CNN,RMSE为0.7408,且MWA-CNN的过拟合程度相较传统CNN下降明显,MWA-CNN中测试集相较于训练集的RMSE增加了15.69%,而CNN中测试集相较于训练集的RMSE增加了151.45%。通过对光谱加入不同信噪比的噪声,再对加噪之后的光谱分别用五种模型进行预测,实验结果表明,在多种信噪比条件下,MWA-CNN模型均能取得五种模型中最优的效果,从实验结果表明,MWA-CNN在近红外光谱定量回归中具有较高的预测精度和泛化能力,同时具有一定的抗噪能力。

基于MATLAB的数字信号处理实验平台

数字信号处理作为电子通信专业的基础课程,涵盖了许多信号处理相关的内容,包括信号傅里叶变换、频谱分析以及数字滤波器设计等。其中,IIR滤波器和FIR滤波器作为经典的频域滤波器,是信号处理中最为基础的滤波器。通过对这两种滤波器的学习,将有助于后续复杂滤波器的设计。利用MATLAB的图形化接口,结合数字信号处理中滤波器设计的相关内容,开发了基于MATLAB的数字信号处理实验平台。该平台功能包括添加信号、叠加噪声以及IIR、FIR各滤波器类型的设计,不仅方便学生在课上直观地了解到频域滤波器的滤波过程,而且有利于在课后近一步学习与扩展滤波器设计。

“互联网+”背景下我国服装辅料行业发展对策研究——以西塘辅料行业为例

根据中国目前的辅料市场,文章提出的发展对策和调研方案,运用STP分析和SWOT分析,利用文献研究法、实地调研法、问卷调查法、访谈调查法对调研地西塘大舜进行深入研究,根据其市场行情现状分析,发掘市场潜力,提出相应的对策。