基于PCA-GA-SVM的n/γ甄别方法研究

由于常用中子探测器对中子和γ射线均呈现敏感性,所以消除γ射线对中子测量的影响很有必要性。考虑到支持向量机(SVM)能实现二分类器功能,本文结合主成分分析法(PCA)、遗传算法(GA),将SVM应用在混合场n/γ的甄别工作中。通过PCA对特征值进行降维,避免SVM出现过拟合现象,同时通过GA迭代方式寻找SVM关键参数惩罚因子C和核函数参数g的最优值。对PCA-GA-SVM网络在n/γ甄别中的准确性进行验证后与电荷比较法及频域梯度分析法甄别结果进行对比。结果表明,经过PCA与GA优化后的SVM网络甄别精度提升显著,该方法可为混合场n/γ提供有效的甄别。

基于PCA-BP神经网络对甲醛和甲醇的识别研究

当前电子鼻对有毒气体的识别存在数据量少,训练生成的神经网络映射能力差等问题。本文以甲醛和甲醇为目标气体,采用自制的气敏传感器对甲醛和甲醇进行数据采集,并对采集到的数据进行滤波和平滑处理,以提取不同传感器对目标气体的响应值。依据准则函数生成伪随机数,并建立伪随机特征值矩阵以扩大有效数据量。利用主成分分析(PCA)法对特征值进行降维处理,选择贡献率大的主元成分作为反向传播(BP)神经网络的输入向量,构造PCA-BP神经网络。分别用实测特征值矩阵和伪随机特征值矩阵训练PCA-BP神经网络,通过对比分析两个网络得出,实测特征值矩阵的识别率为92%,而伪随机特征值矩阵的识别率为97%。结果表明,伪随机特征值矩阵能有效提高PCA-BP神经网络的映射能力,提高识别正确率。

基于激光诱导击穿光谱与GA-BP神经网络的塑料分类识别

利用激光诱导击穿光谱(LIBS)技术与基于遗传算法优化的误差反向传播(GA-BP)神经网络对常见的9种塑料进行分类识别。通过激光诱导击穿塑料表面产生等离子光谱.用光谱仪对每种塑料采集100组光谱数据,以美国国家标准与技术研究院(NIST)的原子光谱数据库为参考,对主要的元素特征谱线进行精确标定。选取15条特征谱线进行分析,通过主成分分析(PAC)法对光谱数据进行降维处理,并建立GA-BP神经网络模型。实验结果表明.通过PCA法对数据进行降维后,GA-BP神经网络的识别效率得到很大提高,平均识别精度为99.72%,可对多种塑料进行快速、精准的识别。

基于暗亮原色先验理论的道路能见度检测

针对现有能见度检测方法复杂度高和检测精度低的问题,提出了一种基于监控图像的道路能见度检测方法。首先,通过暗亮原色先验理论求取暗亮原色的透射率;然后,利用自适应去雾权值和自适应滤波窗口优化大气光值和大气透射率,将车道线首尾端点的透射率与优化后的暗亮原色透射率一一对应;最后,结合车道线首尾端的距离计算大气消光系数和能见度。实验结果表明,本方法可在100~600 m内实现高精度检测,相对误差小于10%。相比其他方法,本方法的检测效率更快、精度更高且更容易实现。