为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于...为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归(Gaussian Process Regression,GPR)模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数(Disease Index,DI)预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供参考。展开更多
高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算...高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.展开更多
文摘偏航角零点漂移严重影响风电机组性能,将之消除的前提是对其进行可靠且快速的检测。基于风能捕获机理,该文提出一种运用机器学习算法的偏航角零点漂移诊断方法。首先,采用孤立森林(isolated forest,IF)异常值检测算法对数据进行预处理;其次,建立非参数模型稀疏高斯过程回归(sparse Gaussian process regression,SGPR)估计偏航角零点漂移;最后,利用多个风电场的风电机组实际运行数据对所提方法进行验证,并分析不同诊断模型对数据量的依赖性。结果表明:IF+SGPR方法准确性高,所需数据量少,能够快速诊断偏航角零点漂移;该诊断方法能够应用于各种电场不同型号的风电机组,普适性较高。
文摘为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归(Gaussian Process Regression,GPR)模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数(Disease Index,DI)预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供参考。
文摘高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.