基于RSM算法的烟叶含水率监测

为探讨将随机子空间RSM(Random Subspace Method)算法应用于烤烟烟叶含水率的监测中,采摘贵烟8号烟叶样本,在09:00-12:00时间段进行可见光采样,并对图像亮度进行梯度处理,以此模拟全天光线变化。采用烟叶样本实测含水率和图像RGB三阶颜色矩数据作为数据集,对样本使用RSM算法建立含水率回归模型,并与LM(Levenberg Marquardt)神经网络算法和支持向量机(Support Vector Machine,SVM)算法进行比较。结果表明,基于烟叶RGB颜色矩的RSM算法具有较好的应用效果,其回归模型决定系数R 2为0.9202,均方根误差(RMSE)为0.56%,相对分析误差(RPD)为3.5483。故基于随机子空间RSM算法的烟叶含水率回归模型具有较好的稳定性,能实现对烟叶含水率的监测。

基于排队论的数据通信网络性能优化

数据通信网络中的分组和交换节点可以用排队论的模型模拟分析。文章针对分组集散量和服务时间的最优解问题,对数据通信网络建立一个基于M/G/C/C状态独立排队网络模型,并运用RSM算法确定输入变量与因变量之间的关系,通过对响应的优先次序和期望值进行优化运算得到最大分组集散量和最短服务时间。