公共文化服务平台

杜文: 作品数：11 被引量：99H指数：6; 供职机构：沈阳农业大学信息与电气工程学院更多>>; 发文基金：辽宁省教育厅科学基金辽宁省科学技术计划项目辽宁省教育厅高等学校科学研究项目更多>>; 相关领域：自动化与计算机技术农业科学天文地球更多>>

合作作者

电能质量信号EMD分解边界效应抑制方法研究: 2014年; 谐波、间谐波信号希尔伯特-黄变换检测中,关键是通过经验模态分解(EMD)将非稳态信号的各个频率成分分离开,得到一组固有模态函数,但是受到EMD分解边界效应的影响,拟合的包络线在端点处可能发散,从而导致分解结果的失真,而且信号长度越小边界效应影响越大。研究引入自适应波形匹配方法,根据电能质量信号波形特点,确定端点模版波形,并向信号内搜索其匹配波形,将端点模版波形到匹配波形信号段作为延拓数据,分别对两端点进行延拓,从而抑制边界效应的影响,提高EMD分解精度。实验结果表明,自适应波形匹配抑制EMD分解中边界效应方法有效。; 曹英丽杜文许童羽杨勇; 关键词：经验模态分解电能质量

粳稻多旋翼植保无人机雾滴沉积垂直分布研究被引量：33: 2017年; 为研究多旋翼植保无人机低空喷施作业过程中,水稻垂直方向雾滴沉积的分布规律,在水稻冠层叶片、中部叶片、底部叶片分别放置了雾滴测试卡,收集植保无人机喷洒过程中的雾滴信息。使用清水代替农药来模拟喷施过程,利用雾滴沉积分析软件i DAS分析雾滴测试卡,得出植保无人机雾滴在水稻垂直方向的分布结果。试验结果表明:植保无人机低空喷雾在水稻垂直方向的雾滴覆盖率存在显著差异,有效喷幅内旋翼下方区域的雾滴覆盖效果最好,而远离旋翼的位置,雾滴覆盖率较差。从水稻垂直方向的不同位置分析,雾滴总体覆盖率为冠层54.86%,中部32.69%,底部24.7%;水稻垂直各位置的粒径分布中,平均粒径范围处于110~140μm之间,粒径大小适合植物病虫的防治。冠层的点密度最大,而水稻中间部位和水稻底部的点密度分布较为相似;水稻中部雾滴扩散比(0.465)优于冠层(0.38)和底部(0.31),整体喷雾的雾滴扩散比与相对粒谱宽度的数值均低于正常值(0.67)。; 许童羽于丰华于丰华曹英丽马明洋; 关键词：雾滴沉积粳稻

基于Landsat 8 OLI遥感影像的沈阳市水稻种植面积提取方法被引量：10: 2017年; 为了深入研究遥感数据及提取方法对估算水稻种植面积的可行性,以Landsat 8 OLI影像为数据源,运用ENVI5.1的软件平台,对沈阳市2015年6—9月水稻长势进行监测,并最终提取其种植面积。根据实地调查样本,通过分析各地物的光谱特性曲线、归一化植被指数均值特征及遥感影像成像特点,确定了以波段6、波段5、波段2对图像进行伪彩色合成。对合成后的图像,分时段设计了三组不同样本点数量的对比实验,样本数量分别为100、150、200个,采用混合像元的方式,确定了水稻的采集样本点,用变换分散度和J-M距离对各个样本间的可分离性进行检验,采用支持向量机的分类方法对各样本进行分类,最后以Majority/Minority分析方法对提取的结果进行分类后处理,建立了不同的水稻面积提取模型。结果显示,6月、7月、9月中200个样本点的实验提取结果均较为准确,提取面积分别为1 032.044 8、1 201.125 9和1 180.685 5 km2,参考《沈阳统计年鉴2015》对提取结果进行评价,精度分别为94.73%、89.75%和91.62%。试验表明,Landsat 8OLI遥感数据可准确提取沈阳市水稻种植面积,为综合多源数据对水稻进行种植监测奠定基础。; 郑璐悦许童羽周云成周云成; 关键词：水稻支持向量机 LANDSAT

稳态电能质量数据压缩传感方法研究被引量：6: 2013年; 针对配电网稳态电能质量稀疏特性,通过高斯随机矩阵对其进行线性观测,获取线性测量值;基于傅里叶投影空间,运用正交匹配追踪算法实现压缩感知信号的重构。最后通过测定不同稀疏特性信号、不同测量次数下的重构精度,揭示信号稀疏性、观测次数和重构精度之间的约束关系。试验结果表明:本研究方法可有效实现稳态电能质量数据的压缩传感与重构,突破了必须大于2倍原信号最高效率的奈奎斯特定理约束,为解决配电网PQ监测中海量数据的存储与传输提供了新的方法与思路。; 曹英丽杜文许童羽杨勇; 关键词：压缩传感正交匹配追踪

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究被引量：19: 2020年; 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数(ORVI)。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND_(528,587)、SR_(440,690)、CARI、MCARI的反演结果进行了对比分析,结果表明:IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R^2分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R^2为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。; 于丰华许童羽郭忠辉杜文王定康曹英丽; 关键词：植被指数水稻叶片高光谱遥感

无人机喷雾参数对粳稻冠层沉积量的影响及评估被引量：18: 2017年; 主要研究了植保无人机在水稻灌浆期喷施磷酸二氢钾(KH2PO4)的作业效果及八旋翼无人机喷雾参数对水稻叶片雾滴沉积分布的影响,测试分析了无人机在水稻灌浆期植保作业时雾滴的沉积效果。研究采用雾滴测试卡接收雾滴,通过调节无人机的作业高度进行雾滴沉积量评估试验。根据作业高度不同,共设计3组试验,高度分别是3、4、5m。结果表明:不同作业高度时,雾滴在水稻冠层和下层具有不同的沉积效果,且分布均匀性的变异系数也不同。作业高度5m时,雾滴在水稻叶片上的总沉积量最少,均匀性最差,冠层和下层的变异系数分别为92.11%、150.29%;作业高度3m时,雾滴在水稻叶片上的总沉积量高于4m和5m时的沉积量,均匀性较好,冠层和下层的变异系数分别为32.94%、49.47%。3组作业高度均显示:雾滴在水稻冠层的沉积量高于下层叶片,叶片正面的沉积量高于反面,叶片反面沉积量可达到正面叶片的1/2以上。本研究对八旋翼无人机高效利用、提高农药喷施作业效率、增加水稻产量具有深远的意义。; 杜文曹英丽许童羽丛林洪雪唐瑞; 关键词：水稻沉积量

基于复杂背景下的绝缘子图像识别与提取被引量：1: 2021年; 为获取最优的绝缘子识别和提取方法,采用最大似然法、支持向量机和神经网络算法处理复杂背景下的图片。结果表明:神经网络、支持向量机、最大似然法的平均精度依次为95.727%,95.386%和95.52%;在复杂背景的电力绝缘子识别和提取中,神经网络算法的精度略好。; 贾竣淇杜文刘津如张吉梦; 关键词：绝缘子

基于无线传感器的植保无人雾滴沉积量的评定与试验: 植保无人机雾滴沉积量的准确评定是保证农业航空施药效果的重要前提，现有检测植保无人机雾滴沉积量的方法大多以雾滴测试卡的方式进行，存在着测试成本高、试验布置复杂等缺点。该文采用基于无线传感网络的雾滴沉积检测系统，获取植保无人...; 杜文陈春玲许童羽; 关键词：沉积量均匀性

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模被引量：8: 2020年; 叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R^2=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。; 王念一于丰华许童羽许童羽郭忠辉杜文; 关键词：粳稻

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算被引量：3: 2018年; 针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R^2和最优验证样本R_V^2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R^2和最优验证样本R_V^2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V^2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。; 许童羽袁炜楠周云成于丰华杜文; 关键词：BP神经网络叶绿素双子叶植物

杜文

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

杜文

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈