- 博客(22)
- 收藏
- 关注
RSS订阅原创 使用 scikit-learn 进行机器学习的基本原理-2
监督学习：分类和回归在监督学习中，我们有一个由特征和标签组成的数据集。 任务是构建一个估计器，能够在给定特征集的情况下预测对象的标签。 一个相对简单的例子是根据一组鸢尾花的测量值来预测鸢尾花的种类。 这是一个相对简单的任务。
2024-04-30 18:18:03
837
原创 scikit-learn：Python中的机器学习-1
机器学习是关于构建具有可调参数的程序，这些参数可以自动调整，以便通过适应先前看到的数据来改善其行为。机器学习可以被认为是人工智能的一个子领域，因为这些算法可以被视为构建模块，使计算机通过以某种方式泛化而不仅仅是像数据库系统那样存储和检索数据项来学习更智能的行为。我们将在这里看两个非常简单的机器学习任务。第一个是分类任务：图中显示了一组二维数据，根据两个不同的类标签进行着色。
2024-04-30 18:00:58
605
原创 用于马铃薯叶片病害预测的端到端深度学习框架（完整代码）
农业生产力在全球经济发展和增长中起着至关重要的作用。当农作物受到疾病影响时，它会对一个国家的经济资源和农业产出产生不利影响。及早发现作物病害可以最大限度地减少农民的损失并提高产量。在这项研究中，提出了一种新的深度学习模型，旨在自动预测马铃薯叶部病害。框架包括图像采集、预处理、分割、特征提取和融合以及分类。为了训练和评估模型，我们利用公共马铃薯叶数据集：早疫病、晚疫病和健康叶片。利用分割和融合特征的优势，该方法实现了98.66%的总体准确率和96.33%的得分。
2024-01-11 21:36:02
458
2
原创 Python机器学习/深度学习入门-基础类型1
丰富的现有经典数值方法、绘图或数据处理工具的集合。我们不想重新编程曲线绘制、傅里叶变换或拟合算法。不要重新发明轮子！大多数科学家没有接受过程序员的培训。他们需要能够在几分钟内绘制曲线、平滑信号、进行傅里叶变换。
2023-12-29 20:54:35
516
1
原创 橡皮筋基线校正（Rubberband）修正
橡皮筋基线校正是一种用于数据处理和插值的方法。其原理是通过找到数据点集合的凸包，并使用插值技术在凸包的顶点之间创建一条称为基线的曲线。
2023-12-23 14:45:10
444
1
原创 橡皮筋基线校正（Rubberband）
橡皮筋基线校正是一种用于数据处理和插值的方法。其原理是通过找到数据点集合的凸包，并使用插值技术在凸包的顶点之间创建一条称为基线的曲线。
2023-12-23 14:27:16
559
1
原创 非对称重加权惩罚最小二乘平滑的基线校正修订版-2
基于惩罚最小二乘法的基线校正方法已成功地应用于各种光谱分析中。该方法通过估计基线来迭代地改变权重。如果信号低于先前拟合的基线，则给予大权重。另一方面，当信号高于拟合基线时，不给出权重或给出小权重，因为它可以被假设为峰值的一部分。然而，由于噪声分布在基线之上以及基线之下，因此希望在任一情况下给予给予相同或相似的权重。为此，文章提出了一种新的加权方案的基础上广义逻辑函数。所提出的方法迭代地估计噪声水平，并相应地调整权重。
2023-12-22 13:22:25
676
原创 非对称重加权惩罚最小二乘平滑的基线校正修订版-1
基于惩罚最小二乘法的基线校正方法已成功地应用于各种光谱分析中。该方法通过估计基线来迭代地改变权重。如果信号低于先前拟合的基线，则给予大权重。另一方面，当信号高于拟合基线时，不给出权重或给出小权重，因为它可以被假设为峰值的一部分。然而，由于噪声分布在基线之上以及基线之下，因此希望在任一情况下给予给予相同或相似的权重。为此，文章提出了一种新的加权方案的基础上广义逻辑函数。所提出的方法迭代地估计噪声水平，并相应地调整权重。
2023-12-22 12:20:36
513
原创 非对称重加权惩罚最小二乘平滑的基线校正-2
基于惩罚最小二乘法的基线校正方法已成功地应用于各种光谱分析中。该方法通过估计基线来迭代地改变权重。如果信号低于先前拟合的基线，则给予大权重。另一方面，当信号高于拟合基线时，不给出权重或给出小权重，因为它可以被假设为峰值的一部分。然而，由于。
2023-12-21 16:42:53
595
原创 非对称重加权惩罚最小二乘平滑的基线校正-1
基于惩罚最小二乘法的基线校正方法已成功地应用于各种光谱分析中。该方法通过估计基线来迭代地改变权重。如果信号低于先前拟合的基线，则给予大权重。另一方面，当信号高于拟合基线时，不给出权重或给出小权重，因为它可以被假设为峰值的一部分。然而，由于噪声分布在基线之上以及基线之下，因此希望在任一情况下给予给予相同或相似的权重。为此，文章提出了一种新的加权方案的基础上广义逻辑函数。所提出的方法迭代地估计噪声水平，并相应地调整权重。
2023-12-21 16:19:33
440
原创 光谱数据预处理综合
除了化学信息，光谱还包含其他不相关或不需要的信息，如电噪声，基质背景，杂散光，散射效应等。在用化学计量学方法建立校准模型时，利用预处理方法消除光谱数据中的无关信息和噪声是非常必要的。
2023-12-20 17:29:39
3315
2
原创 光谱数据预处理
除了化学信息，光谱还包含其他不相关或不需要的信息，如电噪声，基质背景，杂散光，散射效应等。在用化学计量学方法建立校准模型时，利用预处理方法光谱预处理典型方法光谱预处理的典型方法主要包括平滑/导数标准正态变量（SNV）乘性散射校正（MSC）傅立叶变换（FT）、小波变换（WT）、正交信号校正（OSC）和净分析物信号（NAS)。是消除加性效应最常用的方法。是常用的消除倍增效应的方法，它们可以在一定程度上减少固体颗粒尺寸（光散射和有效路径长度的差异）或散射效应对光谱数据的影响。
2023-12-20 15:51:26
427
1
原创 使用 PLS 回归进行近红外光谱的异常值检测
在光谱数据中，并非每个数据点都是有效的，因此，在构建模型时找到与大部分数据不符合的数据点是一种必要的操作。这些数据我们称之为。在这篇文章中，我们将使用PLS回归进行红外光谱数据的异常值检测。
2023-12-19 13:49:03
665
1
原创 主成分分析（Principal Component Analysis，PCA）
主成分分析（Principal Component Analysis，PCA）是一种常用的降维方法，适用于数据集中特征维度较高的情况。PCA的目的是通过对数据进行线性变换，将原始特征投影到新的低维度空间中，从而实现降维的效果。
2023-12-19 13:34:32
390
1
原创 基于深度神经网络的光谱数据回归-2
基本思想是在每个训练步骤中将网络的预测与测试集上的期望结果进行比较。这种比较，通过错误度量封装，成为下一步训练的反馈。反馈被发送回网络以适当地调整每个神经元的权重。这种反馈机制被称为反向传播，因为它用于以相反的顺序调整网络权重，即从输出层返回到输入层。"适当地调整权重"是优化器的核心内容。事实上，我们已经定义了典型的优化器：它无非就是梯度下降机制。损失函数可以被看作是权重所定义的多维空间中的一个景观。数学上，我们可以说损失函数是权重的函数。
2023-12-18 13:39:44
69
1
原创 基于深度神经网络的光谱数据回归
DNN的基本构建块是感知器（有时称为神经元）。感知器是一个数学函数，它接收一组输入，并根据这些输入的加权和和一个阈值函数生成输出。阈值函数确保如果输入的加权和超过某个阈值，感知器将生成一个输出（神经元将“触发”）。DNN是串联感知器的序列。训练DNN意味着找到每个神经元权重的值，以便对于任何给定的输入，系统生成的输出最小化给定训练/测试数据集的误差度量。当应用于回归问题时 - 正如我们在这里所做的那样 - 预期DNN能够为任何给定的光谱输入生成连续输出，对应于我们通过光谱测量希望估计的参数值。
2023-12-18 13:30:57
240
1
原创 光谱数据预处理—基线校正-多项式基线校正2
基线校正是光谱预处理中常用的方法之一，用于去除光谱中的背景信号。光谱中的背景信号往往是由非分析物质的吸收或散射引起的，而分析物质的吸收信号则位于背景信号之上。因此，基线校正的目的是将背景信号从整个光谱中减去，以使得分析物质的信号更加突出。【代码】光谱数据预处理—基线校正-多项式基线校正2。
2023-12-17 17:08:47
156
1
原创 光谱数据预处理—基线校正-多项式基线校正1
基线校正是光谱预处理中常用的方法之一，用于去除光谱中的。光谱中的背景信号往往是由引起的，而分析物质的吸收信号则位于背景信号之上。因此，基线校正的目的是将背景信号从整个光谱中减去，以使得分析物质的信号更加突出。基线校正的方法有多种，其中常见的包括多项式基线校正、最小二乘基线校正和局部最小值基线校正等。
2023-12-17 16:56:19
960
1
原创 Python主成分分析法对近红外光谱进行分类-2
一旦我们确定了要使用的主成分的数量（假设我们选择了 4 个主成分），只需定义新的变换并对一阶导数数据进行拟合即可。
2023-12-15 14:53:47
135
原创 Python主成分分析法对近红外光谱进行分类
典型的近红外光谱数据是一个十分冗余的集合。近红外光谱相对信息较少，不包含如拉曼或中红外光谱中可能存在的吸收峰等明显特征。因此，近红外光谱在不同波长处的大多数特征高度相关。** PCA简单介绍：**PCA在具有高相关性的多维数据上执行降维非常高效。PCA通过将多维数据集投影到一个更低维空间中，常常是几个甚至只有两个维度，以消除数据中的相关组分。
2023-12-15 14:44:57
425
原创 K-均值聚类算法
K-均值聚类是机器学习中常用的无监督学习算法之一，主要应用于数据分类、数据分析和数据挖掘等领域。K-均值聚类算法的基本思想是将样本集合划分为 K 个不同的簇，使得簇内的样本相似度高，簇间的相似度低。具体实现过程如下：1. 选择 K 个初始的聚类中心点。2. 对于每个样本点，计算其与各个聚类中心的距离，将其划分到距离最近的簇中。3. 对于每个簇，重新计算其中样本的中心点。4. 重复步骤 2 和步骤 3 直到聚类中心点不再变化或达到预设的最大迭代次数。在算法的执行过程中，可以采用。
2023-08-31 09:53:38
106
变量选择方法:一种使用加权二元矩阵采样迭代优化变量空间的新颖变量选择方法
2024-05-01
一种统一的单隐层的前馈网络（SLFNs）的在线序列学习算法-前馈网络、ELM、OS-ELM
2024-04-30
光谱特征选择：稳定竞争自适应重加权采样
2024-04-30
airPLS是一种基线校正方法，全称为自适应迭代重加权惩罚最小二乘法
2024-01-14
马铃薯叶片病害预测的端到端深度学习框架
2024-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人