基于BOA-LSTM模型的土壤湿度预测

自从长短期记忆网络提出后,一般循环神经网络中存在的长期依赖问题得以解决,由于其独特的设计结构和良好的特性,适合对时间序列类型数据进行处理和预测,被广泛应用在机器学习和人工智能的各个领域中。针对锡林郭勒草原上的土壤湿度预测问题,选用岭回归算法、支持向量机算法、梯度提升决策树算法、长短期记忆网络算法和基于贝叶斯优化的长短期记忆网络算法进行对比实验,比较各个模型在回归分析中的平均绝对误差、均方根误差和平均绝对百分比指标情况。通过数据预处理和回归分析后,将长短期记忆网络算法应用在未来锡林郭勒草原上的土壤湿度预测,对自然环境保护和抑制草原沙漠化问题提供更多解决思路。

基于空间配准模型的Mask R-CNN位姿估计网络

大多数传感器都无法达到零误差的程度,当多个传感器通过坐标变换将测量数据变换到三维空间坐标中心时,由于传感器设备与待测物体之间的距离方位的误差和不同坐标系之间转换精度等众多因素,导致传感器系统出现相对的系统误差。本文采用最小二乘法、广义最小二乘法,通过建立传感器空间配准模型估计误差参数以补偿到传感器系统,以便减少因为设备观测数据导致的误差影响。该研究利用深度学习Mask RCNN框架对目标物体进行识别和分割,获取目标物体的大小和轮廓特征,并结合VGG-16算法得到更加精确的位姿信息。