考虑物料约束的飞机总装调度

针对飞机装配过程中的总装调度问题,考虑实际生产中的班组约束、设备约束、工艺约束和物料到达约束,以最小化最大完工时间为目标函数,决策飞机装配任务的班组分配、设备分配以及加工顺序,建立对应的数学规划模型。针对该模型在大规模数据情况下难以求解的问题,基于启发式规则和变邻域搜索算法,设计适用于本模型的求解算法。最后利用算例进行测试,结果表明:针对大规模飞机总装调度问题,提出的模型和算法可以在较短时间内得到有效的排程结果。

多元回归与BP神经网络在烟草叶片SPAD反演时的建模精度比较

为比较多元线性回归和BP神经网络在烟草叶片SPAD反演建模时的效果,采集烟草冠层的多光谱影像并提取植被指数,分别构建多元线性回归和BP神经网络反演回归模型。结果表明,基于提取出的24种植被指数所构建的反演模型中,以BP神经网络的回归反演效果最好,模型的R2达到0.85,RMSE为2.21;采用多元线性回归方法所构建的模型的R2仅为0.51,RMSE为1.52。该研究的结果说明,在进行烟草叶片SPAD监测时,可以采用BP神经网络构建反演模型。

基于纹理参数的烟草叶片SPAD建模反演

为探讨纹理参数对烟草叶片SPAD反演建模效果的影响,通过设置0 kg/667 m2、3.5 kg/667 m2、7.0 kg/667 m2的氮肥用量田间试验,在下部叶成熟期,采用六旋翼无人机搭载四波段多光谱相机,采集烟草冠层光谱影像并提取纹理参数,利用极限学习机、随机森林算法,构建烟草叶片SPAD的反演回归模型。结果表明,在基于纹理参数所构建的反演模型中,极限学习机模型的R2为0.88,RMSE为1.90;随机森林模型的R2为0.79,RMSE为2.55,极限学习机的预测效果最好。该研究的结果说明,纹理参数可以作为一种新的光谱参数,进行高精度的叶片SPAD反演建模。

基于无人机遥感的田间农作物表型反演建模方法

基于无人机遥感的农作物生长监测,是近年来快速发展的一门遥感技术,成为智慧农业应用实践中十分重要的信息技术。为了实现利用获取的高光谱信息对农作物生长参数进行反演,就需要建立相应的模型。该文综述在该领域应用较为普遍的逐步回归、多元回归、偏最小二乘法、随机树林法、BP神经网络及支持向量机等方法,给出一些应用实例,并对今后的发展方向进行展望,旨为无人机遥感技术在农业应用中提供参考。