孙一丹
- 作品数：2 被引量：26H指数：2
- 供职机构：北京林业大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：理学农业科学轻工技术与工程更多>>
- 基于BP神经网络的木材近红外光谱树种识别被引量：19
- 2015年
- 利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。
- 王学顺孙一丹黄敏高黄安民
- 关键词：近红外光谱BP神经网络遗传算法粒子群算法
- 木材红外光谱的树种识别研究被引量：9
- 2015年
- 以10种珍贵木材30个样本的红外光谱（1800~800 cm-1）为研究对象,分别建立了基于红外光谱的木材树种定性与定量识别模型。在定性分析中,选取5种木材的15个样本的红外光谱,通过主成分分析进行光谱数据降维,并利用主成分投影判别法分别得到其二维和三维主成分得分图,对样本进行直观分类;在定量分析中,分别建立了木材红外光谱的聚类分析模型、贝叶斯判别模型以及支持向量机模型,聚类分析与贝叶斯判别模型木材判别准确率分别为83.33%和86.67%。在支持向量机模型中,分别采用网格搜索法与遗传算法对支持向量机模型进行参数寻优,木材判别准确率分别为86.67%和85%。结果表明,利用木材红外光谱可以对木材树种进行有效识别,本研究为红外光谱技术在森林工程领域的应用提供一定的科学依据与参考价值。
- 王学顺孙一丹黄安民
- 关键词：木材识别红外光谱主成分分析支持向量机
