排序方式： 共有114条查询结果，搜索用时 546 毫秒
71.
脐橙的优良品种选育是通过芽变选种获得,为了选择一些具有特殊性状的脐橙芽变进行培植,需要对脐橙的品种进行鉴别。该研究应用可见/近红外光谱分析方法结合软独立模式分类（SIMCA）和偏最小二乘判别分析（PLS-DA）模式识别方法对赣南脐橙的品种进行识别。研究结果表明,采用原始近红外光谱结合SIMCA方法,实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100%的识别;应用近红外光谱结合PLS-DA方法对校正样本建立判别模型,其校正及验证结果与实际分类变量的相关系数均大于0.970,交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）都小于0.100,利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100%。为脐橙优良品种的选育提供快速鉴别分析方法。 相似文献
72.
基于WMSN的作物环境与长势远程监测系统 总被引：3，自引：0，他引：3
针对目前田间监测主要是物理数据而缺少多媒体数据的问题,设计一种基于无线多媒体传感器网络(WMSN)的作物环境与长势远程监测系统.阐述了该系统存在的显著优势;设计了Hi3512和CC2430硬件电路关键部分和软件系统,解决了作物环境信息与多媒体长势信息融合的关键问题;实现了4间温室内不同监测点温湿度、光照度及4路视频信号的动态监测.实验结果表明,该作物环境与长势远程监控系统稳定可靠,实时精确,能实现多媒体数据采集、H.264压缩、3G传输、PC显示和温湿度、光照度传感器节点的ZigBee组网. 相似文献
73.
74.
75.
近红外光谱检测苹果可溶性固形物 总被引：7，自引：0，他引：7
该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。 相似文献
76.
77.
脐橙糖度近红外光谱在线检测的建模变量优选 总被引：1，自引：0，他引：1
【目的】采用小波压缩结合遗传算法,优选脐橙糖度近红外光谱在线检测的建模变量,提高在线检测精度。【方法】利用近红外光谱检测装置采集脐橙样品的光谱,并将其转换为反射比光谱,在700.28～933.79 nm波段,利用小波变换将一阶微分处理后的近红外反射比光谱变量压缩成小波系数变量。经遗传算法优选后,建立偏最小二乘法（PLS）模型,并对该模型的预测结果进行评价。【结果】利用小波压缩结合遗传算法优选变量建立的脐橙糖度PLS模型,预测效果最优,模型的相关系数为0.759,模型预测均方根误差为0.468 °Brix。【结论】采用小波压缩结合遗传算法对变量进行优选,可提高脐橙糖度近红外光谱在线检测的精度。 相似文献
78.
基于GA-LSSVM的苹果糖度近红外光谱检测 总被引：3，自引：0，他引：3
【目的】结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性。【方法】在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数。【结果】相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix。【结论】GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的。 相似文献
79.
80.