抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
黒竜江省は中国最大のジャポニカ米産地と商品食糧生産基地である。水稲の栽培過程において、適切な水稲品種を選択することは、多収型を実現する重要な一環である。農業生産において、水稲品種の選択は多面的な要素によって影響され、一般に、同じ積温帯で栽培された異なる水稲品種は外観に差が大きくなく、さらには差がなく、肉眼観察によって正確に区別することが難しい。肉眼的に不便に区別できる異なる種類のジャポニカ米の種子を迅速に鑑別するため、近赤外スペクトル技術に基づくジャポニカ米品種の快速非破壊鑑別方法を提案した。黒竜江墾区で大量に栽培した3種の異なる品種のジャポニカ米種子(「開墾5号」、「墾粳6号」と「カジャポ4号」を研究対象とし、各品種は40サンプルを選択し、そのうち30サンプルがモデリングセットとし、10サンプルが予測セットとした。120のサンプルの近赤外スペクトルを走査した。オリジナルスペクトルデータ(115204000cm-1)の両端を裁断し、吸光度の強い82505779cm-1の範囲のスペクトルデータを選び、研究を行った。まず第一に,BPモデル1をスペクトルデータに直接確立して,一次導関数とSavitzky-Go-lay平滑化前処理によってBPモデル2を構築した。モデル1の分類精度は93.3%であり,予測セットの平均二乗誤差RMSEP=0であった。2328,反復時間t=3882。9秒。モデル2の分類精度は100%,RMSEP=0.0706,反復時間t=954であった。5秒。2つのモデルの評価パラメータRMSEPを比較すると、FD+SGの前処理はモデルの予測能力を高めることができるが、2種類のモデルは次元縮小処理を行っていないため、データ量が過大で、モデルの入力ノードが多すぎ、反復時間が長いため、実際の応用に不利である。ウェーブレット変換の多重分解能特性を利用して,データ次元縮小処理を行い,予測セット残差平方とPress値を評価指数として,多重ウェーブレットクラスとパラメータにおいて,分解スケール5のsym2(symlet2)ウェーブレットを用いて,スペクトルデータを圧縮し,次元縮小した。スペクトルデータを601次元から21次元まで下げた。ニューラルネットワーク入力としてウェーブレット変換を用いて,モデル3を構築し,モデル1と比較して,モデル3の分類精度は93であった。3%,RMSEP=0。2250,反復時間tは198に短縮した。比較結果は,ウェーブレット次元縮小がニューラルネットワークの入力を減らして,ニューラルネットワークの構造を単純化して,反復速度を上げることができることを示したが,モデル予測能力を改良するのに効果的でなかった。上記3つのモデルの比較結果は,FD+SG前処理がモデルの予測能力を改善し,ウェーブレット次元縮小がモデルの反復速度を上げることができ,上記3つのモデルの比較結果を分析し,最後に,FD+SG+ウェーブレット次元縮小の21入力,15の隠れ層,および15の隠れ層を含むことを示した。3つの出力のニューラルネットワーク識別モデル4は,分類精度が100%,RMSEP=0であった。0293、反復時間は98.8sで、モデル4は3種の異なる水稲品種の快速、正確、非破壊鑑別を完全に実現できることを示した。従って、提案した近赤外スペクトルに基づくウェーブレット次元縮小と逆伝播人工神経回路網識別モデルの方法は、ジャポニカ米種子の快速非破壊鑑別に完全に利用でき、同時に他の農作物種子の快速鑑別に参考を提供した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】
