为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型。使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least ...为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型。使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least square,PLS)模型,通过常用的竞争性自适应重加权算法减少PLS模型计算量,对比得到最好的PLS模型预测精度;使用深度学习的MobileNetV2网络构建苹果糖度预测模型,调整最适合的模型构建参数。试验结果表明:经过标准正态变量变换(Standard normal variate,SNV)光谱预处理的PLS模型预测精度最高,其预测模型相关系数(RP)为0.9333、均方根误差(RMSEP)为0.4765°Brix,特征波长筛选可减少计算量,但会使预测模型精度稍微下降;经过数据增强处理的MobileNetV2模型可以获得一定的糖度预测精度,其RP为0.8431、RMSEP为0.8984°Brix。结果表明,基于深度学习的MobileNetV2网络结构训练得到的糖度预测模型具有一定的可行性,但SNV预处理的全波段PLS模型精度最高,PLS建模依然是小批量样本建模简单高效的方法。展开更多
文摘针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图像。然后,将二维图像输入到改进SAM⁃MobileNetv2网络模型中,对故障特征信息进行提取和分类。在改进SAM⁃MobileNetv2网络中,使用自适应激活函数ACON(Activate or not)对SAM⁃MobileNetv2中的ReLU6激活函数进行替换,提高模型分类性能。最后,将本模型与多种网络模型做对比。试验结果表明,本模型可以准确高效地实现对滚动轴承故障的分类,使用凯斯西储大学轴承故障数据的准确率为99.5%,使用渥太华大学轴承故障数据的准确率为97.2%。
文摘为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型。使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least square,PLS)模型,通过常用的竞争性自适应重加权算法减少PLS模型计算量,对比得到最好的PLS模型预测精度;使用深度学习的MobileNetV2网络构建苹果糖度预测模型,调整最适合的模型构建参数。试验结果表明:经过标准正态变量变换(Standard normal variate,SNV)光谱预处理的PLS模型预测精度最高,其预测模型相关系数(RP)为0.9333、均方根误差(RMSEP)为0.4765°Brix,特征波长筛选可减少计算量,但会使预测模型精度稍微下降;经过数据增强处理的MobileNetV2模型可以获得一定的糖度预测精度,其RP为0.8431、RMSEP为0.8984°Brix。结果表明,基于深度学习的MobileNetV2网络结构训练得到的糖度预测模型具有一定的可行性,但SNV预处理的全波段PLS模型精度最高,PLS建模依然是小批量样本建模简单高效的方法。
