Hyperspectral image detection of wheat seed purity based on SMOTE-UVE-SVM
-
摘要: 为了解决基于高光谱成像技术的小麦种子纯度检测过程中样本不均衡及波段信息冗余导致纯度检测模型性能下降的问题, 提出了一种融合合成少数类过采样技术(SMOTE)、非信息变量剔除(UVE)和支持向量机(SVM)的种子纯度高光谱检测模型。该模型利用SMOTE算法对小麦种子少数类(杂质)样本进行扩充, 改善样本的不均衡性; 同时利用UVE对高维的高光谱特征进行选择, 并构建SVM模型作为分类器, 以进一步提高分类的性能。结果表明, 5类小麦种子的平均准确率、精确率和负样本检出率分别达到95.98%、94.94%和89.32%, 较传统方法分别提高了3.89%、7.18%和12.42%。所提出的方法在基于高光谱成像技术的小麦种子纯度检测中具有较好的应用前景。
-
关键词:
- 光谱学 /
- 高光谱成像技术 /
- 合成少数类过采样技术 /
- 非信息变量剔除 /
- 种子纯度
Abstract: In order to solve the problem, the performance of the wheat seed purity detection model decreased due to sample imbalance and band information redundancy in the process of hyperspectral imaging. A seed purity hyperspectral detection model was proposed by combining the synthetic minority oversampling technique (SMOTE) with uninformative variables elimination (UVE) and support vector machine (SVM). In this model, the SMOTE was used to expand the minority class (impurity) samples of the wheat seeds to improve the sample imbalance. At the same time, the UVE was used to select the high-dimensional hyperspectral features, and the SVM model was constructed to further reduce the risk of model overfitting caused by feature redundancy. Results showed that: The average accuracy, precision, and negative sample detection rate of the five types of wheat seeds are 95.98%, 94.94%, and 89.32%, respectively, which are 3.89%, 7.18%, and 12.42% higher than the traditional methods, respectively. The proposed method has a good application prospect in the detection of wheat seed purity based on hyperspectral imaging technology. -
0. 引言
激光辐照气流环境中典型金属材料的热力学响应是激光加工等应用领域关心的热点和关键问题[1-4]，铝合金是工业领域常用材料，研究获得其热响应和熔穿特性，对激光切割、打孔等实际应用具有重要指导意义和价值[5-7]。
在激光辐照材料过程中，材料响应与激光体制参数、材料热物理性质、激光与材料耦合特性、辐照区域内材料所处气流等环境息息相关[8-11]。当发生激光烧蚀材料相变后，金属的相变熔融物会阻碍激光向金属材料内部辐照，将熔融物从熔池中排出需要消耗部分激光能量，导致激光烧蚀清除效率低[12-14]。国外从20世纪70年代已开始从理论上研究切向气流对激光作用下材料清除时间的影响，近年来，国内外在实验和理论方面已有较多气流速度、气流组分等作用金属、复合材料靶的研究，结果表明，当切向气流作用于靶表面时，由于对流换热和切向气流对熔蚀物的清除作用，材料热响应和清除特性与自然对流环境下相比存在显著差异[8, 12, 15-16]。甚至当激光加热使靶材发生软化时，气流引起的前后表面压力差导致的剪切应力可在远低于熔点的情况下实现材料清除[17-18]。虽然理论、实验已有较多关于气流环境下激光辐照研究，但仍以定性的结果和规律认识为主。应用中如何高效、定量地获得材料清除效果，仍需要发展满足物理需求的数值模拟方法。
本文作者构建了考虑主要物理机制的气流和激光联合作用材料热学响应物理模型，同时为量化比较对流换热和清除熔蚀物二者在激光辐照材料中的作用，以铝合金为例，计算获得侧向气流条件不同激光功率密度下铝合金板的烧蚀清除规律，相关工作对铝合金板加工参数选择具有一定参考价值。
1. 数值计算模型
1.1 物理模型
气流环境下激光辐照材料是一个复杂的多物理场强耦合物理过程，存在气流换热、热-力耦合等多种物理效应，激光加载的能量、气流流动引起对流换热导致的能量损失以及材料烧蚀导致能量交换将共同决定靶材内部温度的分布，需要建立相应的物理模型[19-21]。对于激光加载和能量耦合过程，鉴于不透明金属材料对激光吸收深度小，通常约10 nm量级，计算中激光加载能量作为面热源处理，在材料区域内，热传导方程的数学描述为：
ρc∂T∂t=∇⋅(κ∇T)+Qr (1) 式中：ρ为壳材料密度；c为壳材料比热容；T为材料温度；t为时间；∇为矢量微分算符；κ为材料导热系数；Qr为材料相变和氧化反应热源项。
激光加载区域边界条件为：
(κ∂T∂z)+qc+qr=q1 (2) 式中：z为靶厚度；qc为对流换热热流；qr为辐射换热热流；ql为材料表面吸收的激光热流。
加载对流边界换热热流可表示为：
qc=hc(T−T0) (3) 式中：hc对流换热系数；T0为表面气流温度。
辐射换热热流为：
qr=σε(T4−T04) (4) 式中：σ为Stefan-Boltzmann常数；ε为表面发射率。
假定靶温度1000 K，辐射换热热流功率密度约1 W/cm2量级，相对于对流和加载激光功率密度较小，计算中可忽略。激光辐照下金属表面高温物质脱落，激光束直接辐照下一层材料，使得辐照热效应增强。为了模拟这种熔蚀效应，将受激光辐照的最外层未剥离表面定义为熔迹面。热软化物质剥离采用温度准则判据，即达到某高温状态热软化材料被气流剥离[19, 21]。采用“单元生死法”计算边界的移动和热传导，当某一离散单元的温度超过熔化温度或气化温度，定义该单元不再参与计算，对应加载边界施加到新的单元上，整个过程不可逆。
1.2 模型参数及实验验证
通过计算结果与实验结果比较校验计算模型，模型校验用算例参数和数据编号见表 1。表中自然对流下实验结果case 1和case 2参数引自参考文献[16]。自然对流下激光辐照实验靶板温升模拟结果见图 1a，亚声速气流条件下实验的模拟结果见图 1b。图中，R为到靶板中心点距离。模拟计算的case 1和shot 1靶背面不同位置温升与实验结果符合较好，计算结果显示靶板未发生熔穿，靶板升温和辐照结束后自然冷却过程均与实验结果一致；实验测得的case 2和shot 2靶板熔穿时间Δt分别为6.5 s和6.0 s，采用计算铝板靶背面中心点温升获得靶板熔穿时间，模型计算的case 2和shot 2的熔穿时间分别为7.0 s和5.6 s，计算结果与实验结基本一致。通过温升曲线和熔穿时间比较，新建模型可较好地模拟激光辐照靶板的温度和熔穿过程。
表 1 模型校验用算例参数Table 1. Parameters of simulation case for model verificationnumber power density/(W·cm-2) irradiation time/s material material dimension/mm flow velocity/(m·s-1) case 1 1190 10 LY12 ∅30×2 0 case 2 1190 10 LY12 ∅30×1 0 shot 1 800 10 LY12 100×100×3 120 shot 2 1400 10 LY12 100×100×3 120 2. 结果与分析
为充分分析气流环境对清除或气化规律的影响，分别开展了气流条件和无气流条件下2种典型工况的计算分析：有气流环境采用切向速率240 m/s、静温20 ℃的无穷远处均匀空气来流，根据经验公式对流换热系数取0.06 W/(cm2·K)，以熔化温度作为穿孔(或单元删除)判据；无气流条件下以气化温度作为穿孔(或单元删除)判据计算，利用新建数值计算模型对激光辐照薄板厚度d =3 mm和厚板d =7 mm工况分别开展了熔穿规律数值模拟研究。计算中激光参数采用峰值功率密度I0分别取500 W/cm2、1000 W/cm2、1500 W/cm2、2000 W/cm2，光斑采用高斯分布；靶板采用LY12铝，几何模型厚度分别为3 mm和7 mm圆板，激光辐照在中心区域。
气流条件下厚度为3 mm靶板温度演化见图 2。加载激光峰值功率密度为500 W/cm2时，背面温度沿径向方向逐渐减低，背面靶板最高温度450 ℃，尚未达到铝的融化温度；当激光停止后，靶板在气体对流换热作用下，温度逐渐降低。计算获得不同峰值功率密度激光辐照靶板背面中心点的温度演化见图 2b。随着激光功率密度提高，靶温升率逐渐提高，其中在峰值功率密度1000 W/cm2时，辐照6.2 s后靶板熔穿；在峰值功率密度1500 W/cm2时，辐照3.4 s后靶板熔穿；在峰值功率密度2000 W/cm2时，辐照2.4 s后靶板熔穿。
![图 2 激光辐照3 mm厚度靶板背面的温度]()
图 2 激光辐照3 mm厚度靶板背面的温度Figure 2. Temperature at back of 3 mm target plate after laser irradiation气流条件下厚度为7 mm靶板温度演化见图 3。当激光峰值功率密度为2000 W/cm2时，靶板背面不同位置温度变化过程见图 3a，由于结构较厚，时间较长时，在距中心15 cm远位置也出现温升。当激光停止后，靶板在气体对流换热作用下，温度逐渐降低。激光功率密度为2000 W/cm2时板熔穿时间6.8 s。计算获得不同峰值功率密度激光辐照靶板背面中心点的温度演化见图 3b。随着激光功率密度提高，靶温升率逐渐提高，只有在峰值功率密度为2000 W/cm2时，辐照6.8 s后靶板熔穿；由于靶板较厚，在辐照10 s情况下其它较小加载功率密度均未造成熔穿。
![图 3 激光辐照7 mm厚度靶板背面的温度]()
图 3 激光辐照7 mm厚度靶板背面的温度Figure 3. Temperature at back of 7 mm target plate after laser irradiation在无气流条件、无重力等移除熔蚀物的作用情况下，计算获得的不同功率密度时3 mm厚度铝板背面中心点温度见图 4a，激光辐照的能量全部用于加热靶板，无质量迁移力，此时只有在铝板温度达到铝的气化温度后才能穿孔，计算结果显示，即使在功率密度为2000 W/cm2的高斯光束、辐照时间10 s，仍无法烧穿3 mm厚铝板；同样加载激光参数、靶参数情况，当施加质量迁移力，假定熔化后即将熔化层移除，此时3 mm厚度铝板背面中心点温升见图 4b，在功率密度1000 W/cm2~2000 W/cm2情况均出现熔穿。在不考虑气动加热等额外热源情况下，此时计算的熔穿时间即为该工况条件下的最快熔穿时间。
![图 4 熔蚀物清除力对靶背面温升的影响]()
图 4 熔蚀物清除力对靶背面温升的影响Figure 4. Effect of molten material removal force on temperture at back of target plate计算的气流和理想清除力情况下熔穿时间、功率密度参数的关系见图 5。图中，Δt为熔穿时间，A为材料表面吸收率。随着功率密度增加，熔穿时间急剧减小。与参考文献[17]中热平衡积分方法计算获得的气化烧蚀穿透模型结果比较，穿孔时间变化规律符合较好；但定量上由于二者物理模型存在差异，无法直接比较。本文中计算模型中光斑采用高斯分布模型，在考虑了侧向气流对流换热影响，与参考文献[17]中假定均匀光场定态气化假设不同，所以气流工况在低功率密度加载或厚板情况下与文献近似计算结果存在一定偏离；对于薄板、大功率密度加载情况下，对流换热作用时间短，与热平衡积分方法假设的条件更接近，并且本文中算例采用的光斑尺寸较大，在辐照区域内接近1维热扩散，所以参考文献中的理论与数值计算结果更接近。从穿孔时间可以看出，在功率密度较高区域各工况之间的差异小，功率密度较低区域各条件之间差异较大。分析认为，计算中声速固定时，对流换热系数则采用固定值，随着功率密度增加，对流换热的影响比例逐渐较降低。所以，在激光功率密度较小(500 W/cm2附近)时，近似计算或评估中建议不要忽略气流对流换热的影响；在激光功率密度较高(1500 W/cm2以上)时，气流对流换热的影响较小。
![图 5 熔穿时间与功率密度的关系]()
图 5 熔穿时间与功率密度的关系Figure 5. Relationship between melted perforation time and laser power density3. 结论
构建了考虑热传导、对流换热、熔化烧蚀等主要物理机制的气流和激光联合作用材料热学响应物理模型，获得气流环境下不同激光功率密度时铝合金板的热响应和烧蚀熔穿规律。高斯分布光束的出光峰值功率密度为1000 W/cm2、1500 W/cm2和2000 W/cm2时，3 mm厚铝板熔穿时间分别为6.2 s、3.4 s和2.4 s。随着功率密度增加，熔穿时间急剧减小，并且计算结果与参考文献中热平衡积分方法气化烧蚀穿透模型结果规律一致。与文献中假定均匀光场定态气化假设不同，本文中计算模型考虑了侧向气流对流换热影响，可实时更新温度扩散，数值模型与实际物理过程更接近。从穿孔时间可以看出，在功率密度较高区域各工况之间的差异小，功率密度较低区域各条件之间差异较大，在激光功率密度较小(500 W/cm2附近)时，近似计算或评估中建议不要忽略气流对流换热的影响；在激光功率密度较高(1500 W/cm2以上)时，气流对流换热的影响较小。由于气流环境下激光与金属相互作用包含复杂的传热、流动、化学反应以及金属材料的软化、脱落等力学过程，其综合作用机制还有待进一步研究。
-
表 1 5个品种小麦详细信息
Table 1 Details of 5 varieties of wheat
variety origin place kinship gluten value JM22 Shandong 935024/935106 medium gluten XM26 Henan Xinmai9408/Jinan17 strong gluten JM44 Shandong 954072/Jinan17 strong gluten BN4199 Henan Bainonggaoguang3709F2/BainongAK58 medium gluten ZM33 Henan Zhengmai366/BainongAK58 strong gluten 
下载: 导出CSV
表 2 吸收峰在小麦种子的分布范围及影响因素
Table 2 Distribution range and influencing factors of absorption peak in wheat seeds
下载: 导出CSV
表 3 不均衡样本下小麦种子纯度检测结果
Table 3 Results of wheat seed purity under unbalanced samples
positive samples SVDD KNN SVM A/% P/% tND/% A/% P/% tND/% A/% P/% tND/% JM22 64.00 79.11 67.00 84.03 81.35 52.40 93.07 90.68 79.20 XM26 64.33 83.45 77.00 79.20 76.74 37.70 89.80 87.01 70.20 JM44 56.33 74.13 63.00 81.40 78.83 45.10 92.23 89.65 76.90 BN4199 62.33 87.18 85.00 82.70 80.01 49.80 95.50 84.09 87.50 ZM33 60.00 76.32 64.00 82.33 80.13 51.60 89.87 87.38 70.70 average 61.40 80.04 71.20 81.93 79.41 47.32 92.09 87.76 76.90
下载: 导出CSV
表 4 SMOTE负样本扩充后小麦种子纯度检测结果
Table 4 Results of SMOTE seed purity after SMOTE sample extension
positive samples SMOTE-KNN SMOTE-SVM A/% P/% tND/% A/% P/% tND/% JM22 88.87 89.26 77.20 94.80 93.17 85.30 XM26 82.63 85.28 69.10 94.80 93.78 86.70 JM44 94.33 92.56 84.00 94.40 92.57 83.69 BN4199 88.57 89.74 78.60 96.53 95.49 90.60 ZM33 84.67 86.86 72.60 95.47 94.60 88.60 average 87.81 88.74 76.30 95.20 93.92 86.98
下载: 导出CSV
表 5 5个品种小麦种子分别在4种模型中的平均检测结果
Table 5 Average results of 5 wheat varieties in 4 models
model A/% P/% tND/% number SMOTE-UVE-KNN 91.12 90.09 78.50 71.00 SMOTE-SPA-KNN 90.50 89.62 77.61 74.00 SMOTE-UVE-SVM 95.98 94.94 89.32 71.00 SMOTE-SPA-SVM 95.30 94.12 87.52 74.00
下载: 导出CSV
表 6 5个品种小麦种子在SMOTE-UVE-SVM模型的检测结果
Table 6 Test results of 5 varieties of wheat seeds in SMOTE-UVE-SVM model
positive samples SMOTE-UVE-SVM A/% P/% tND/% number JM22 96.13 94.92 89.30 75.00 XM26 95.30 94.49 88.30 68.00 JM44 95.07 93.22 85.40 81.00 BN4199 97.23 96.46 92.70 72.00 ZM33 96.17 95.60 90.90 57.00 average 95.98 94.94 89.32 71.00
下载: 导出CSV
-
[1] BAO Y, MI C, WU N, et al. Rapid classification of wheat grain varieties using hyperspectral imaging and chemometrics[J]. Applied Sciences, 2019, 9(19): 4119. DOI: 10.3390/app9194119
[2] FENG L, ZHU S, LIU F, et al. Hyperspectral imaging for seed quality and safety inspection: A review[J]. Plant Methods, 2019, 15(1): 1-25. DOI: 10.1186/s13007-018-0385-5
[3] QIU Z, CHEN J, ZHAO Y, et al. Variety identification of single rice seed using hyperspectral imaging combined with convolutional neural network[J]. Applied Sciences, 2018, 8(2): 212. DOI: 10.3390/app8020212
[4] YANG X, HONG H, YOU Z, et al. Spectral and image integrated analysis of hyperspectral data for waxy corn seed variety classification[J]. Sensors, 2015, 15(7): 15578-15594. DOI: 10.3390/s150715578
[5] 黄敏, 夏超, 朱启兵, 等. 融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型[J]. 农业工程学报, 2021, 37(18): 153-160. DOI: 10.11975/j.issn.1002-6819.2021.18.018 HUANG M, XIA Ch, ZHU Q B, et al. Recognizing wheat seed varieties using hyperspectral imaging technology combined with multi-scale 3D convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(18): 153-160(in Chin-ese). DOI: 10.11975/j.issn.1002-6819.2021.18.018
[6] SINGH P, NAYYAR A, SINGH S, et al. Classification of wheat seeds using image processing and fuzzy clustered random forest[J]. International Journal of Agricultural Resources, Governance and Eco-logy, 2020, 16(2): 123-156. DOI: 10.1504/IJARGE.2020.109048
[7] 王和勇, 樊泓坤, 姚正安, 等. 不平衡数据集的分类方法研究[J]. 计算机应用研究, 2008, 25(5): 1301-1304. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ200805005.htm WANG H Y, FAN H K, YAO Zh A, et al. Research of imbalanced data classification[J]. Application Research of Computers, 2008, 25(5): 1301-1304(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ200805005.htm
[8] 闫红梅, 何明一. 基于聚类和联合偏度与峰度指数的高光谱数据波段选择算法[J]. 信号处理, 2023, 39(1): 1-10. https://www.cnki.com.cn/Article/CJFDTOTAL-XXCN202301001.htm YAN H M, HE M Y. Hyperspectral data band selection based on clustering joint skewness-kurtosis index[J]. Journal of Signal Processing, 2023, 39(1): 1-10(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-XXCN202301001.htm
[9] 路燕, 任月, 崔宾阁. 噪声鲁棒的高光谱图像波段选择方法[J]. 遥感学报, 2022, 26(11): 2382-2398. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202211020.htm LU Y, REN Y, CUI B G. Noise robust band selection method for hyperspectral images[J]. National Remote Sensing Bulletin, 2022, 26(11): 2382-2398(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202211020.htm
[10] YANG S, ZHU Q B, HUANG M. Application of joint skewness algorithm to select optimal wavelengths of hyperspectral image for maize seed classification[J]. Spectroscopy and Spectral Analysis, 2017, 37(3): 990-996.
[11] 刘璐, 邵慧, 孙龙, 等. 利用高光谱激光雷达检测木材的霉变与含水量[J]. 激光技术, 2023, 47(5): 620-626. DOI: 10.7510/jgjs.issn.1001-3806.2023.05.007 LIU L, SHAO H, SUN L, et al. Detection of mildew and moisture content in timber by hyperspectral LiDAR[J]. Laser Technology, 2023, 47(5): 620-626(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2023.05.007
[12] HUANG M, HE C, ZHU Q, et al. Maize seed variety classification using the integration of spectral and image features combined with feature transformation based on hyperspectral imaging[J]. Applied Sciences, 2016, 6(6): 183. DOI: 10.3390/app6060183
[13] BRUNING B, LIU H, BRIEN C, et al. The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat (Triticum aestivum)[J]. Frontiers in Plant Science, 2019, 10: 1380. DOI: 10.3389/fpls.2019.01380
[14] SINGH C B, JAYAS D S, PALIWAL J, et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging[J]. Computers and Electronics in Agriculture, 2010, 73(2): 118-125. DOI: 10.1016/j.compag.2010.06.001
[15] 童莹萍, 冯伟, 宋怡佳, 等. 面向不平衡高光谱遥感分类的SMOTE和旋转森林动态集成算法[J]. 遥感学报, 2022, 26(11): 2369-2381. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202211019.htm TONG Y P, FENG W, SONG Y J, et al. Dynamic ensemble algorithm of SMOTE and rotation forest for imbalanced hyperspectral remote sensing classification[J]. National Remote Sensing Bulletin, 2022, 26(11): 2369-2381 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202211019.htm
[16] DOU Z, GAO K, ZHANG X, et al. Band selection of hyperspectral images using attention-based autoencoders[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(1): 147-151.
[17] BAJCSY P, GROVES P. Methodology for hyperspectral band selection[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(7): 793-802.
[18] CENTNER V, MASSART D L, DE NOORD O E, et al. Elimination of uninformative variables for multivariate calibration[J]. Analytical Chemistry, 1996, 68(21): 3851-3858. DOI: 10.1021/ac960321m
[19] CORTES C, VAPNIK V. Support vector machine[J]. Machine Learning, 1995, 20(3): 273-297.
[20] 张政, 李世强. 基于AdaBoost改进随机森林和SVM的极化SAR地物分类[J]. 中国科学院大学学报, 2022, 39(6): 776-782. https://www.cnki.com.cn/Article/CJFDTOTAL-ZKYB202206007.htm ZHANG Zh, LI Sh Q. Polarimetric SAR image classification based on AdaBoost improved random forest and SVM[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(6): 776-782 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZKYB202206007.htm
[21] 黄江, 李雨涵, 吴盛斌, 等. 基于多元特征参数与改进SVM算法的驾驶风格识别研究[J]. 重庆理工大学学报(自然科学版), 2022, 36(11): 8-19. https://www.cnki.com.cn/Article/CJFDTOTAL-CGGL202211002.htm HUANG J, LI Y H, WU Sh B, et al. Research on driving style re-cognition based on multivariate feature parameters and an improved SVM algorithm[J]. Journal of Chongqing University of Technology(Natural Science Edition), 2022, 36(11): 8-19 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CGGL202211002.htm
[22] 杨丽, 高美婷. 基于LS-SVM测量生物组织光学参量的实验研究[J]. 激光技术, 2015, 39(3): 300-303. DOI: 10.7510/jgjs.issn.1001-3806.2015.03.003 YANG L, GAO M T. Experimental study about measurement of optical parameters of biological tissue based on least square support vector machine[J]. Laser Technology, 2015, 39(3): 300-303(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2015.03.003
[23] TAX D M J, DUIN R P W. Support vector data description[J]. Machine Learning, 2004, 54(1): 45-66. DOI: 10.1023/B:MACH.0000008084.60811.49
[24] 康颖, 赵治华, 吴灏, 等. 基于Deep SVDD的通信信号异常检测方法[J]. 系统工程与电子技术, 2022, 44(7): 2319-2328. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD202207029.htm KANG Y, ZHAO Zh H, WU H, et al. Deep SVDD-based anomaly detection method for communication signals[J]. Systems Engineering and Electronics, 2022, 44(7): 2319-2328 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD202207029.htm
[25] ZHAO Y, ZHANG X, SHANG Z, et al. A novel hybrid method for KPI anomaly detection based on VAE and SVDD[J]. Symmetry, 2021, 13(11): 2104. DOI: 10.3390/sym13112104
[26] 蒋卫恒, 段耀星, 李明玉, 等. 一种基于维度加权盲K近邻算法的数字预失真技术[J]. 电子与信息学报, 2023, 45(2): 446-454. https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202302007.htm JIANG W H, DUAN Y X, LI M Y, et al. A digital predistortion technique based on the dimension weighted blind K-nearest neighbor algorithm[J]. Journal of Electronics & Information Technology, 2023, 45(2): 446-454 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202302007.htm
[27] SYALIMAN K U. Enhance the accuracy of K-nearest neighbor (KNN) for unbalanced class data using synthetic minority oversampling technique (smote) and gain ratio (GR)[J]. INFOKUM, 2021, 10(1): 188-195.
[28] 杜娟, 刘志刚, 衣治安. 一种适用于不均衡数据集分类的KNN算法[J]. 科学技术与工程, 2011, 11(12): 2680-2685. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201112013.htm DU J, LIU Zh G, YI Zh A. A KNN algorithm for unbalanced data set[J]. Science Technology and Engineering, 2011, 11(12): 2680-2685 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201112013.htm
[29] 张楠楠, 张晓, 王城坤, 等. 基于高光谱和连续投影算法的棉花叶面积指数估测[J]. 农业机械学报, 2022, 53(S1): 257-262. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX2022S1028.htm ZHANG N N, ZHANG X, WANG Ch K, et al. Cotton LAI estimation based on hyperspectral and successive projection algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S1): 257-262 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX2022S1028.htm
-
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 10
- HTML全文浏览量: 8
- PDF下载量: 9
- 被引次数: 1