| Маркер записи | n 22 3 4500 |
| Контрольный номер | zhps20_to87_no1_ss175_ad1 |
| Дата корректировки | 14:45:36 27 июля 2020 г. |
| Кодируемые данные | 200629s2020||||RU|||||||||||#||||# rus0| |
| Системный контрольный номер | RUMARS-zhps20_to87_no1_ss175_ad1 |
| AR-MARS | |
| Служба первич. каталог. |
Научная библиотека им. М. М. Бахтина Мордовского госуниверситета им. Н. П. Огарева МАРС |
| Код языка каталог. | rus |
| Код языка издания |
eng eng |
| Индекс УДК |
535.33 577.3 |
| Индекс ББК |
22.344 28.071 |
|
Таблицы для массовых библиотек Таблицы для массовых библиотек |
|
|
Yang, R. 070 |
|
|
Classification of tree species at the leaf level based on hyperspectral imaging technology R. Yang, J. Kan |
|
|
Классификация видов деревьев на уровне листьев на основе технологии гиперспектральной визуализации rus |
|
| Текст | |
| непосредственный | |
| Примечание | Аннотации англоязычных статей |
| Аннотация | Технология гиперспектральной визуализации использована для идентификации восьми пород деревьев на уровне отдельных листьев. Для выбора характерных спектральных полос использованы алгоритм последовательных проекций (SPA), коэффициент усиления информации (IG) и индекс Джини (Gini). Алгоритм оптимизации роя бинарных частиц (BPSO) применен для оптимизации набора характерных полос, выбранных с помощью SPA, IG и Gini. Машинное обучение для оптимизации роя бинарных частиц (PSO-ELM), линейные модели байесовского нормального классификатора (LBNC) и k-ближайшего соседа (KNN) для пород деревьев созданы на основе всех спектральных диапазонов, характерных полос и оптимизированных характерных полос соответственно. Показатели 175-2 распознавания моделями PSO-ELM, LBNC и KNN на основе всех спектральных диапазонов составляют 98. 45, 99. 10 и 83. 67% соответственно. Методы SPA, IG и Gini позволяют эффективно выбирать спектральные полосы для различения пород деревьев и значительно уменьшать размерность необходимых для распознавания спектральных данных. Результаты распознавания моделями, основанными на характерных полосах, выбранных Gini, лучшие, а показатели распознавания моделями PSO-ELM, LBNC и KNN достигали 97. 55, 96. 53 и 80. 5% соответственно. BPSO-SPA, BPSO-IG и BPSO-Gini дополнительно уменьшaют размерность спектральных данных, не снижая точности распознавания. Модели, созданные на основе оптимизированных характерных полос, выбранных с помощью BPSO-Gini, показывают наилучший результат распознавания, а показатели распознавания моделями PSO-ELM, LBNC и KNN составили 96. 53, 96. 68 и 81. 05% соответственно. В целом показатели распознавания модели PSO-ELM лучше, чем моделей LBNC и KNN. |
|
Физика AR-MARS Спектроскопия AR-MARS Биология AR-MARS Общая биофизика AR-MARS |
|
| Ключевые слова |
идентификация древесных пород идентификация пород деревьев оптимизация набора характерных полос технология гиперспектральной визуализации уменьшение размерности уровень отдельных листьев |
|
Kan, J. 070 |
|
| ISSN | 0514-7506 |
| Название источника | Журнал прикладной спектроскопии |
| Место и дата издания | 2020 |
| Прочая информация | Т. 87, № 1. - С. 175 |
|
RU 43013090 20200629 RCR |
|
|
RU 43013090 20200629 |
|
|
RU AR-MARS 20200629 RCR |
|
|
RU AR-MARS 20200629 |
|
| Тип документа | b |
|
code year to no ss ad |
|
|
zhps 2020 87 1 175 1 |
|
| 718 |
