作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(En...作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(Ensemble and confident learning based semi-supervised classification framework,ECL-SSCF),旨在利用有限的地面标记样本实现高精度的作物分类。ECL-SSCF框架包含集成学习和置信学习2个模块。集成学习模块通过并行训练多个深度学习模型,并采用相对众数投票法整合多个深度学习模型的分类结果,从而提升分类精度。而置信学习模块则基于模型的预测概率评估伪标签的置信度,筛选出高置信度的伪样本以扩充训练集,克服小样本导致的过拟合现象。在湖北省枝江市和山东省桓台县2个研究区的作物分类结果显示:ECL-SSCF通过引入置信学习策略,在2个研究区的伪样本的总体精度分别提升17.29.3个百分点,超越单一深度学习模型(如LSTM、Conv1DConvLSTM和TempCNN),利用提纯的伪样本训练4种深度学习模型并集成得到ECL-SSCF的分类结果,ECL-SSCF在2个研究区的总体分类精度分别达到了90.4%和86.3%,明显优于任何单一深度学习模型。为了更全面地评估ECL-SSCF的性能,进一步探讨了其生成的伪样本数量和质量对5种模型预测性能的影响。实验结果表明,当样本数量达到标准样本集30%左右,噪声样本比例低于标准样本集30%时,ECL-SSCF均表现出稳健的性能。说明集成学习和置信学习策略的结合使ECL-SSCF获得了高质量的样本和稳定的分类性能,缓解了深度学习模型对大量人工标记样本的依赖,为进行大尺度的作物遥感分类制图提供了新的技术方案。展开更多
本工作对热等静压制备的钴基高温合金进行原位拉伸试验发现,在原位拉伸过程中碳化物相优先开裂。利用Voronoi方法生成与原材料相似的微结构代表性单元,引入内聚力模型(Cohesive zone model,CZM)模拟碳化物与基体之间的扩散层,对钴基合...本工作对热等静压制备的钴基高温合金进行原位拉伸试验发现,在原位拉伸过程中碳化物相优先开裂。利用Voronoi方法生成与原材料相似的微结构代表性单元,引入内聚力模型(Cohesive zone model,CZM)模拟碳化物与基体之间的扩散层,对钴基合金的原位拉伸过程进行有限元仿真和模拟,就碳化物的大小和扩散层的强度对拉伸性能的影响进行分析。结果表明,钴基合金原位拉伸过程中最大应力分布在碳化物相上,因此碳化物相优先开裂;减少碳化物的比例或者减小碳化物的尺寸,材料整体强度变化不明显,但是材料整体拉伸应变略有增加。内聚力单元强度的增加或者减小对材料整体力学性能有显著的影响。增加碳化物与基体之间界面结合强度是今后进行合金微结构优化的理论依据。展开更多
文摘作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(Ensemble and confident learning based semi-supervised classification framework,ECL-SSCF),旨在利用有限的地面标记样本实现高精度的作物分类。ECL-SSCF框架包含集成学习和置信学习2个模块。集成学习模块通过并行训练多个深度学习模型,并采用相对众数投票法整合多个深度学习模型的分类结果,从而提升分类精度。而置信学习模块则基于模型的预测概率评估伪标签的置信度,筛选出高置信度的伪样本以扩充训练集,克服小样本导致的过拟合现象。在湖北省枝江市和山东省桓台县2个研究区的作物分类结果显示:ECL-SSCF通过引入置信学习策略,在2个研究区的伪样本的总体精度分别提升17.29.3个百分点,超越单一深度学习模型(如LSTM、Conv1DConvLSTM和TempCNN),利用提纯的伪样本训练4种深度学习模型并集成得到ECL-SSCF的分类结果,ECL-SSCF在2个研究区的总体分类精度分别达到了90.4%和86.3%,明显优于任何单一深度学习模型。为了更全面地评估ECL-SSCF的性能,进一步探讨了其生成的伪样本数量和质量对5种模型预测性能的影响。实验结果表明,当样本数量达到标准样本集30%左右,噪声样本比例低于标准样本集30%时,ECL-SSCF均表现出稳健的性能。说明集成学习和置信学习策略的结合使ECL-SSCF获得了高质量的样本和稳定的分类性能,缓解了深度学习模型对大量人工标记样本的依赖,为进行大尺度的作物遥感分类制图提供了新的技术方案。
文摘本工作对热等静压制备的钴基高温合金进行原位拉伸试验发现,在原位拉伸过程中碳化物相优先开裂。利用Voronoi方法生成与原材料相似的微结构代表性单元,引入内聚力模型(Cohesive zone model,CZM)模拟碳化物与基体之间的扩散层,对钴基合金的原位拉伸过程进行有限元仿真和模拟,就碳化物的大小和扩散层的强度对拉伸性能的影响进行分析。结果表明,钴基合金原位拉伸过程中最大应力分布在碳化物相上,因此碳化物相优先开裂;减少碳化物的比例或者减小碳化物的尺寸,材料整体强度变化不明显,但是材料整体拉伸应变略有增加。内聚力单元强度的增加或者减小对材料整体力学性能有显著的影响。增加碳化物与基体之间界面结合强度是今后进行合金微结构优化的理论依据。
