-
公开(公告)号：CN115598162B
公开(公告)日：2024-08-06
申请号：CN202111586536.2
申请日：2021-12-21
Applicant: 三峡大学
IPC: G01N23/223 , G06N3/006 , G06N20/20
Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。
-
公开(公告)号：CN114220003B
公开(公告)日：2022-10-21
申请号：CN202111423886.7
申请日：2021-11-26
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/26
Abstract: 一种大范围地物分割的多目标无监督域自适应方法，包括以下步骤：步骤1：在获取的大范围遥感影像中，选取多个领域中的一个领域的数据，标记后进行裁剪制作源域数据集，其他领域的图像直接裁剪后制作为多个目标域数据集；步骤2：将源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取分割模型；步骤3：将多个目标域数据集投入分割模型中，通过熵最小化排序将拥有高置信度伪标签的目标域图像制作为伪源域数据集；步骤4：将伪源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取最终分割模型；步骤5：将全部遥感图像放入模型得到分割结果。
-
公开(公告)号：CN115081335B
公开(公告)日：2024-07-16
申请号：CN202210778405.2
申请日：2022-06-30
Applicant: 三峡大学
IPC: G16C20/20 , G06F30/27 , G16C20/70 , G06N3/006 , G06N3/0499 , G06N3/084 , G01N33/24 , G06F119/02
Abstract: 一种改进深度极限学习机的土壤重金属空间分布预测方法，它包括以下步骤：步骤1：确定研究区域内的调查网格；步骤2：在研究区域内采集土壤样品；步骤3：测定采集的土壤样品重金属浓度；步骤4：确定所需多源辅助变量；步骤5：筛选多源辅助变量；步骤6：基于土壤重金属浓度数据和辅助变量数据构建深度极限学习机；步骤7：用金枪鱼群优化算法优化所构建的深度极限学习机；步骤8：获得土壤重金属空间分布图。本发明的目的是提供一种利用深度极限学习机DELM来对土壤重金属浓度空间进行预测的方法，以提高土壤重金浓度空间预测的精度，进而为更好的进行土壤重金属污染防治做准备。
-
公开(公告)号：CN116246726A
公开(公告)日：2023-06-09
申请号：CN202211564600.1
申请日：2022-12-07
Applicant: 三峡大学
Abstract: 一种土壤重金属砷空间分布预测方法及系统，其方法包括步骤1、采集空间的重金属砷含量数据和环境辅助变量数据；步骤2、通过皮尔逊相关系数方法逐一筛选影响重金属砷含量数据的环境辅助变量数据；步骤3、将环境辅助变量数据输入搭载了两个模型的双网络极限学习机中，获取两个土壤重金属砷预测含量值；步骤4、再把两个模型分别预测出的土壤重金属砷含量值分配不同的权重，结合得出最终土壤重金属砷含量值预测结果；步骤5、根据预测出来的土壤重金属砷含量数据进行空间制图。本发明在提高极限学习机预测精度的基础上还解决了极限学习机网络的过拟合问题，为土壤调查与环境保护提供更为精准的信息及对于土壤重金属砷的防控治理。
-
公开(公告)号：CN115598162A
公开(公告)日：2023-01-13
申请号：CN202111586536.2
申请日：2021-12-21
Applicant: 三峡大学(CN)
IPC: G01N23/223 , G06N3/00 , G06N20/00
Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。
-
Patent Agency Ranking
公开(公告)号：CN115169222A
公开(公告)日：2022-10-11
申请号：CN202210706800.X
申请日：2022-06-21
Applicant: 三峡大学
IPC: G06F30/27 , G06N20/00 , G06N3/00 , G01N23/223
Abstract: 一种多元智能优化多核极限学习机的土壤重金属检测方法，它包括以下步骤：步骤1：采集土壤样品X射线荧光光谱数据和重金属含量值，构建样本集，将样本集分为训练样本集和测试样本集；步骤2：对样本集或待检测光谱信息进行预处理；步骤3：对预处理后的光谱数据进行光谱特征变量选择，将特征变量对应的光谱数据作为新的训练样本集和测试样本集；步骤4：建立多核极限学习机，将训练集中的数据作为多核极限学习机的输入，将训练集中的土壤重金属含量作为极限学习机的输出；步骤5：采用优化后的正则化系数C、核函数参数S和权重系数W训练多核极限学习机，得到土壤重金属检测模型，将测试集输入检测模型，得到重金属的预测值。
-
公开(公告)号：CN114220003A
公开(公告)日：2022-03-22
申请号：CN202111423886.7
申请日：2021-11-26
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 一种大范围地物分割的多目标无监督域自适应方法，包括以下步骤：步骤1：在获取的大范围遥感影像中，选取多个领域中的一个领域的数据，标记后进行裁剪制作源域数据集，其他领域的图像直接裁剪后制作为多个目标域数据集；步骤2：将源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取分割模型；步骤3：将多个目标域数据集投入分割模型中，通过熵最小化排序将拥有高置信度伪标签的目标域图像制作为伪源域数据集；步骤4：将伪源域数据集和多个目标域数据集投入多分支无监督域自适应模型进行训练，获取最终分割模型；步骤5：将全部遥感图像放入模型得到分割结果。
-
公开(公告)号：CN114354666B
公开(公告)日：2023-12-26
申请号：CN202111677903.X
申请日：2021-12-31
Applicant: 三峡大学
IPC: G01N23/223 , G06F30/20 , G06F17/18 , G06F111/06 , G06F111/08
Abstract: 本发明涉及基于波长频次选择的土壤重金属光谱特征提取、优化方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；多次运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集；利用得到的波长变量集预测重金属含量。本发明采用串联的ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。
-
公开(公告)号：CN117874480A
公开(公告)日：2024-04-12
申请号：CN202311682639.8
申请日：2021-12-31
Applicant: 三峡大学
IPC: G06F18/2115 , G01N23/223 , G06F18/214 , G16C20/70
Abstract: 本发明涉及基于ICO‑BOSS算法的土壤重金属光谱特征提取方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值并调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；多次重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集。本发明采用ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。
-
公开(公告)号：CN117541095A
公开(公告)日：2024-02-09
申请号：CN202311275337.9
申请日：2023-09-28
Applicant: 三峡大学
IPC: G06Q10/0639 , G06Q10/04 , G06Q50/02 , G06F18/243 , G06N5/01 , G06N20/20
Abstract: 本发明提供一种农用地土壤环境质量类别划分的方法，包括以下步骤：在研究区域内收集土壤和农产品样本，检测样本中的土壤理化性质指标；对所收集样本的数据进行预处理，包括清洗、剔除异常值、插补缺失值、删除冗余数据、进行标准化，得到预处理后的数据集，划分成训练集和测试集；基于随机森林算法，通过特征选择、决策树生成、模型集成构建农用地土壤环境质量类别划分模型；使用训练集训练模型；利用优化后的随机森林模型对测试集数据进行预测，评估模型分类性能。相比现有的依靠主管经验进行土壤环境质量划分和评估的方法，本发明使用随机森林算法，可以处理更大规模的数据，并自动通过数据特征发现其中的关系，提高评估的客观性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.025 seconds)
