超像素级宽度学习网络的高光谱图像分类方法

本文提出了一种基于超像素宽度学习网络的高光谱图像分类方法。该方法首先采用简单线性迭代聚类方法对原始图像进行超像素分割,并以超像素而不是像素作为宽度学习网络(Broad Learning System,BLS)的输入节点,极大地减小了图的规模,从而提高了分类效率,空谱特征融合加强了可分性,并在融合过程中设定了融合规则,避免了过融合导致的边界模糊问题。

船用固体氧化物燃料电池电堆建模与仿真

由于船用固体氧化物燃料电池复杂的内部环境不利于对其直接建模,针对船舶设备负载变化导致燃料利用率变化,提出利用径向基函数神经网络的“基”函数。结合宽度学习网络结构和恒燃料利用率控制策略,构造了一种识别恒燃料利用率的固体氧化物燃料电池电堆特性的新方法。根据恒燃料利用率控制策略经研究获得电池的输入输出数据组;在输入输出数据组的基础上,利用Lipschitz商准则确定非线性模型的最佳输入变量阶数;利用粒子群优化算法来估算基于径向基函数宽度学习网络参数,包括增强层参数、增强层和输入层到输出层参数。该方法得到的辨识结果精度高且计算量小。试验结果验证了该方法的准确性和有效性。