全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全...全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。展开更多
近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法...近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法,称为DSS-ELWPLS(Diverse Subspaces and Similarity measures based Ensemble Locally Weighted Partial Least Squares).该方法以局部加权偏最小二乘算法(LWPLS)为基学习器,通过输入特征扰动和相似度扰动以激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型.随后采用Stacking集成学习策略,实现即时学习基模型的融合.通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了DSS-ELWPLS方法的有效性和优越性.展开更多
文摘全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。
文摘近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法,称为DSS-ELWPLS(Diverse Subspaces and Similarity measures based Ensemble Locally Weighted Partial Least Squares).该方法以局部加权偏最小二乘算法(LWPLS)为基学习器,通过输入特征扰动和相似度扰动以激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型.随后采用Stacking集成学习策略,实现即时学习基模型的融合.通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了DSS-ELWPLS方法的有效性和优越性.