检索结果-内蒙古大学图书馆

农业机械学报 2019年第B07期50卷 399-403页

作者：高彤吴静珠毛文华刘翠玲孙晓荣余乐北京工商大学食品安全大数据技术北京市重点实验室北京100048 中国农业机械化科学研究院北京100083

为快速无损检测单粒种子成熟度,推进现代良种单粒播种技术,采用近红外光谱技术结合化学计量学方法建立了单粒玉米种子成熟度快速鉴别模型。采集200份单粒玉米种子样本近红外光谱,采用多种光谱预处理方法消除单粒种子采集过程中由于颗粒... 详细信息

为快速无损检测单粒种子成熟度,推进现代良种单粒播种技术,采用近红外光谱技术结合化学计量学方法建立了单粒玉米种子成熟度快速鉴别模型。采集200份单粒玉米种子样本近红外光谱,采用多种光谱预处理方法消除单粒种子采集过程中由于颗粒形态、杂散光等引入的干扰信息,分别采用分段谱区、连续投影算法筛选特征波长,优化建立种子成熟度判别模型。经SG5_1预处理后,在5500~4000cm-1谱区建立的基于支持向量机的单粒玉米种子成熟度判别模型的分类准确率可达92%。实验结果表明,近红外光谱技术可以快速无损判别单粒玉米种子成熟度。

关键词：单粒玉米种子成熟度近红外光谱支持向量机

来源：评论

学校读者我要写书评

暂无评论

用户评论数据驱动的产品优化设计方法

引用

计算机辅助设计与图形学学报 2022年第3期34卷 482-490页

作者：陆蔚华倪祎寒蔡志彬刘瑞军南京航空航天大学机电学院工业设计系南京210016 北京工商大学食品安全大数据技术北京市重点实验室北京100048

针对传统产品设计优化耗时耗力、效率较低等问题,提出一种数据驱动的产品优化设计方法.基于Scrapy爬取电商平台用户评论数据;针对文本数据的特点,利用K-means算法进行用户需求分析,根据聚类结果得到优化目标;对优化目标进行特征编码,基... 详细信息

针对传统产品设计优化耗时耗力、效率较低等问题,提出一种数据驱动的产品优化设计方法.基于Scrapy爬取电商平台用户评论数据;针对文本数据的特点,利用K-means算法进行用户需求分析,根据聚类结果得到优化目标;对优化目标进行特征编码,基于非劣排序遗传算法(NSGA-Ⅱ)进行产品特征优化迭代,得到最终优化结果.以某品牌电饭煲为实例进行应用,以用户满意度为评估指标,将电饭煲造型优化方案与初始方案进行对比,验证了所提方法的有效性.

关键词：数据驱动需求分析产品优化 K-means 非劣排序遗传算法

来源：评论

学校读者我要写书评

暂无评论

基于FPG-SOM的粮食供应链危害物风险分级评价

引用

食品科学 2020年第9期41卷 15-22页

作者：王小艺王珍妮孔建磊金学波苏婷立白玉廷北京工商大学人工智能学院北京100048 北京工商大学食品安全大数据技术北京市重点实验室北京100048

为科学合理评价危害物在粮食供应链各环节中的综合风险,本研究在分析全国各省粮食供应链抽检数据及其他维度数据的基础上,结合粮食供应链中风险因素,构建多维层次风险指标体系,将大量多维异构数据转化为半定量风险指标。应用关联规则挖... 详细信息

为科学合理评价危害物在粮食供应链各环节中的综合风险,本研究在分析全国各省粮食供应链抽检数据及其他维度数据的基础上,结合粮食供应链中风险因素,构建多维层次风险指标体系,将大量多维异构数据转化为半定量风险指标。应用关联规则挖掘一级指标和二级指标的内在关联确定权重分配,结合自组织映射算法将各指标变量映射到风险等级,明确指标交叉关联,构建粮食供应链危害物综合风险等级评价方法。通过对粮食产品风险等级进行评价,得出风险较高的重点省份为山东省、河南省,典型区域为城市区域,关键环节为流通环节以及以铝残留为代表的一系列高风险危害物。该评价体系的确立可以为监管机构制定有针对性的抽检策略、确立优先监管领域,并为合理分配风险监管资源提供科学依据。

关键词：多维层次指标体系关联规则挖掘自组织映射综合风险分级评价

来源：评论

学校读者我要写书评

暂无评论

基于ANNet网络的RGB-D图像的目标检测

引用

系统仿真学报 2016年第9期28卷 2260-2266页

作者：蔡强魏立伟李海生曹健北京工商大学计算机与信息工程学院食品安全大数据技术北京市重点实验室北京100048

由于深度图像采集设备的广泛使用,使得利用RGB-D图像进行目标检测成为计算机视觉领域研究热点。为了使得利用卷积神经网络所提取的特征更具有鲁棒性,设计了一种改进的卷积神经网络(本文称为ANNet),以提高检测准确率。为了提高卷积层中... 详细信息

由于深度图像采集设备的广泛使用,使得利用RGB-D图像进行目标检测成为计算机视觉领域研究热点。为了使得利用卷积神经网络所提取的特征更具有鲁棒性,设计了一种改进的卷积神经网络(本文称为ANNet),以提高检测准确率。为了提高卷积层中局部感受区域的模型分辨能力,针对AlexN et网络中卷积层中卷积核与下层数据块的线性特性,将部分卷积层改进为带有多层感知机的非线性卷积层。在NYUD2数据集上实验,结果表明,使用改进后的网络结构,在彩色图像上的检测结果提升了3%,在RGB-D图像上的检测结果提升了4%。

关键词：目标检测卷积神经网络 Alex Net网络 RGB-D图像

来源：评论

学校读者我要写书评

暂无评论

一种基于ThemeRiver模型的非连续层次数据可视化方法

引用

系统仿真学报 2015年第10期27卷 2460-2466 2474,2474页

作者：甄远刚陈谊刘莹刘瑞军北京工商大学食品安全大数据技术北京市重点实验室计算机与信息工程学院北京100048

针对传统Theme River模型对非连续数据特征表现支持较差的问题,提出一种改进的非连续数据Theme River可视化方法。对数据点划分时间段分别进行统计,补充新的数据点,构造数据点集,利用高斯模型曲线拟合,经过主题布局排序,颜色选择,标签... 详细信息

针对传统Theme River模型对非连续数据特征表现支持较差的问题,提出一种改进的非连续数据Theme River可视化方法。对数据点划分时间段分别进行统计,补充新的数据点,构造数据点集,利用高斯模型曲线拟合,经过主题布局排序,颜色选择,标签分布布局成一种具有预测功能且能够展示层次特征的新型主题河流模型。在层次结构上,利用相同颜色序列表示同层次数据。将该方案应用于农残数据中,有助于对一段时间内的农残数据进行有效监测,为农药残留预测预警提供依据。

关键词：信息可视化层次数据主题河流农残数据时间序列

来源：评论

学校读者我要写书评

暂无评论

面向智能监控的行为识别

引用

中国图象图形学报 2019年第2期24卷 282-290页

作者：马钰锡谭励董旭于重重北京工商大学计算机与信息工程学院食品安全大数据技术北京市重点实验室北京100048

目的为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO(you onlylook once:unified,real-time object detection)并结合LSTM(long short-term memory)和CNN(convolutional neural net-work)的人体行为识别算法LC-YOLO(LSTM and CNN based on YOLO)。方法利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96. 6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。

关键词：行为识别目标检测深度学习卷积神经网络循环神经网络

来源：评论

学校读者我要写书评

暂无评论

食品中农药残留侦测数据的对比与关联可视分析

引用

系统仿真学报 2015年第10期27卷 2538-2545页

作者：冯玉超陈谊刘莹陈红倩北京工商大学食品安全大数据技术北京市重点实验室计算机与信息工程学院北京100048

针对食品安全领域对层次数据的对比和关联分析需求,提出了一种对比与关联可视分析方法(Visual Analysis Method for Comparison and Association),这个方法抛弃以往的通过直线连接来展现关联关系的可视化方法,通过交互的手段直接展示两... 详细信息

针对食品安全领域对层次数据的对比和关联分析需求,提出了一种对比与关联可视分析方法(Visual Analysis Method for Comparison and Association),这个方法抛弃以往的通过直线连接来展现关联关系的可视化方法,通过交互的手段直接展示两类层次数据的关联关系,比如农药与农产品的检出关系,从而避免了视觉杂乱。同样这个方法可以在同一个布局中对比分析两个相同结构的树的属性,比如不同地区或同一地区不同时间点的农产品中农药检出状况。经过用户体验和评价,该方法的表现证明它是有效而且有用的。

关键词：农药残留数据可视分析交互关联对比

来源：评论

学校读者我要写书评

暂无评论

一种同构层次数据的对比可视分析方法PCNL

引用

系统仿真学报 2017年第11期29卷 2700-2708页

作者：董禹陈谊孙悦红北京工商大学计算机与信息工程学院食品安全大数据技术北京市重点实验室北京100048

针对不同领域中同构层次数据的对比分析需求,提出了一种同构层次数据的对比可视分析方法PCNL。对多个异构层次数据集进行对比统计,抽取同构信息,用节点-链接法构建同构树;将平行坐标与同构树结合,展示多个同构树中叶子节点的属性值,通... 详细信息

针对不同领域中同构层次数据的对比分析需求,提出了一种同构层次数据的对比可视分析方法PCNL。对多个异构层次数据集进行对比统计,抽取同构信息,用节点-链接法构建同构树;将平行坐标与同构树结合,展示多个同构树中叶子节点的属性值,通过对节点进行布局形成多个同构层次数据的平行坐标可视化表达;通过交互手段可有效的对比分析多个同构层次结构中每个叶子节点的多个属性。将该方法应用于食品安全领域的多国MRL标准数据的对比分析,可帮助用户有效地对比分析多国MRL的总体趋势和细节差异,找出中国MRL标准的问题。

关键词：信息可视化平行坐标同构层次数据 MRL标准数据食品安全

来源：评论

学校读者我要写书评

暂无评论

一种面向层次数据可视化的圆形空间填充算法

引用

系统仿真学报 2016年第9期28卷 2035-2041页

作者：侯堃李志龙冯玉超陈谊北京工商大学食品安全大数据技术北京市重点实验室计算机与信息工程学院北京100048

现有的嵌套圆排列方法主要采用自顶向下的排列方式。排列过程中的多次缩放和平移将导致算法时间复杂度增高、各层节点大小比例不一致以及局部排列不够紧密等问题。为解决上述问题,在总结层次结构中同层兄弟节点圆外切排列算法的基础上,... 详细信息

现有的嵌套圆排列方法主要采用自顶向下的排列方式。排列过程中的多次缩放和平移将导致算法时间复杂度增高、各层节点大小比例不一致以及局部排列不够紧密等问题。为解决上述问题,在总结层次结构中同层兄弟节点圆外切排列算法的基础上,提出了自底向上父子节点的递归排列算法——圆形-矩形中心法CRCA(Circle and Rectangle Center Algorithm),并提出了一种评价父子节点排列紧密性的指标——面积比AR(Area Ratio)。将基于CRCA算法的嵌套圆排列方法应用于各国农药最大残留限量标准数据的可视化中。实验表明,该方法能够保持同层节点的大小比例和更紧密的排列效果,提高空间利用率,在数据展示方面取得良好效果。

关键词：信息可视化层次结构嵌套圆评价指标

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的雾霾天气下交通标志识别

引用

重庆交通大学学报（自然科学版） 2020年第12期39卷 1-5,12页

作者：陈秀新叶洋于重重张雪北京工商大学食品安全大数据技术北京市重点实验室北京100048

针对雾霾天气下成像设备获取的图像质量较低导致交通标志难以识别这一现象,笔者提出了先去除雾霾后进行识别的办法。对雾霾图像首先通过深度学习算法IRCNN进行去雾霾处理,然后提出一种多通道卷积神经网络(Multi-channel CNN)模型对去雾... 详细信息

针对雾霾天气下成像设备获取的图像质量较低导致交通标志难以识别这一现象,笔者提出了先去除雾霾后进行识别的办法。对雾霾图像首先通过深度学习算法IRCNN进行去雾霾处理,然后提出一种多通道卷积神经网络(Multi-channel CNN)模型对去雾霾后的图像进行识别。研究结果表明:IRCNN方法可有效去除雾霾,Multi-channel CNN模型识别效果好,设计的Multi-channel CNN模型的识别率在本次实验的数据集上达到100%,具有很好的泛化性和适应性。

关键词：交通工程智能交通去雾霾交通标志识别 IRCNN 多通道卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：