一种自动编码机与K-means相结合的高光谱图像聚类方法

为了更好地对没有先验知识的高光谱图像进行地物分析,利用聚类系统快速稳定的优势,通过堆栈自动编码机结合K-means算法搭建1个高光谱图像聚类系统。借用堆栈自动编码机对数据进行非线性降维,基于自编码的再表达输入原理,重构高光谱图像,验证特征数据的可靠性。利用堆栈自动编码机生成的特征数据可以显著地减少聚类算法所需求的计算强度和训练时间。实验结果表明,经过堆栈自动编码机提取特征后的聚类系统,在去掉不参与聚类地物的类别之后,聚类系统的平均精度可以达到95.26%,满足实际使用的精度要求。

PDP屏老炼堆栈生产线控制系统设计与实现

介绍了一种PDP屏老炼堆栈生产线控制系统的设计与实现方法。为了满足PDP屏老炼堆栈生产线对屏老炼时间和出入库效率的高可靠性和实时性要求,该远程控制系统通过现地PLC单元来控制老炼堆栈生产线各设备,数据库则采用Oracle双机冗余系统,监控软件采用Delphi自行研发设计,现场控制系统采用三菱公司自动化产品,从而实现了基于C/S架构的实时控制系统。该系统经运行验证,完全可以满足其生产工艺要求,可在类似制造企业生产控制过程中推广应用。

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法。为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法从历史信道中提取信道的深层特征,并获得网络的初始输出权值。然后,为了适应信道的变化,新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值,并基于更新后的输出权值预测得到未来时刻的信道。最后,仿真结果表明,新方法较现有方法具有更高预测精度,适用于高速移动场景。

基于高光谱和深度迁移学习的柑橘叶片钾含量反演

针对传统柑橘叶片钾含量检测方法耗时费力、操作繁琐且损伤叶片等弊端,引入高光谱信息探索柑橘叶片钾含量快速无损检测与预测模型,选用ASD Field Spec 3光谱仪采集柑橘4个重要物候期(萌芽期、稳果期、壮果促梢期和采果期)的叶片反射光谱,同步采用火焰光度法测定叶片的钾含量;先用正交试验确定小波去噪的最佳去噪参数组合,再进行不同光谱形式变换,对不同物候期光谱进行基于堆栈稀疏编码机-深度学习网络(Stacked sparse autoencoder-deep learning networks,SSAE-DLNs)的特征提取迁移和融合多种特征,对比支持向量机回归、偏最小二乘法回归、广义神经网络、逐步多元线性回归等多种诊断模型,结果表明,模型SSAE-DLNs基于一阶微分光谱特征建立全生长期钾含量预测模型的性能最优,其校正集和验证集决定系数分别为0. 898 8、0. 877 1,均方根误差分别为0. 544 3、0. 552 8。试验表明,深度迁移学习网络可对柑橘叶片钾含量进行精确预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。

.NET中间语言

.NET CLR和Java VM都是堆栈式的虚拟机(Stack-Based VM),也就是说,它们的指令集(Instruction Set)都是采用堆栈运算的方式:执行时的数据(Data)都是先放在堆栈中,再进行操作。Java VM有约200个指令(Instruction),每个指令都是1 byte的opcode(操作码),后面接不等数目的参数;.NET CLR有超过220个指令,但是有些指令使用相同的opcode,所以opcode的数目比指令数略少。特别注意,NET大部分的opcode长度是1 byte,少部分是2 byte。