CN117493856A - 一种基于随机森林的串果采摘特征因素分析方法及设备 - Google Patents
一种基于随机森林的串果采摘特征因素分析方法及设备 Download PDFInfo
- Publication number
- CN117493856A CN117493856A CN202410004546.8A CN202410004546A CN117493856A CN 117493856 A CN117493856 A CN 117493856A CN 202410004546 A CN202410004546 A CN 202410004546A CN 117493856 A CN117493856 A CN 117493856A
- Authority
- CN
- China
- Prior art keywords
- random forest
- fruit
- base
- feature
- importance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 74
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000000556 factor analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000219094 Vitaceae Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 235000021021 grapes Nutrition 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 241000219095 Vitis Species 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005094 fruit set Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林的串果采摘特征因素分析方法及设备，涉及数据处理技术领域，所述方法包括：采集串果数据以构建样本集；根据样本集提取特征因素，以构建特征集；从样本集中提取训练样本，以构建训练集；根据特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成特征集中各特征因素的基尼重要性，基尼重要性为特征因素在决策树的每个节点上的基尼不纯度减少的加权平均值；其中，改进型随机森林算法中将决策树的节点划分为不同层次，并分别计算节点在不同层次的基尼不纯度以确定基尼重要性。本发明可准确分析各特征因素对损伤的影响程度，有助于提高机械采摘的效率和质量并减少损失。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于随机森林的串果采摘特征因素分析方法及设备。
背景技术
随着机器人技术在农业上的广泛应用，串果采摘机构也被更多的应用在葡萄等串果的采摘中，从而减少了劳动力的使用，增加了经济效益，提高了生产质量和采摘品质。
在机械串果采摘中，因农业环境和作业对象的非结构化特性使得串果无损采摘稳定抓持受到串果空间形状、位置姿态、重量、成熟度等几何物理参数及抓持速度、加速度等多种因素影响，这些因素动态交互，相互影响，相互制约，其中任意一个因素改变都会引起串果采摘机构抓持力的改变。
为了减小葡萄等串果在采摘过程中的损伤率，需要探明采摘过程中，串果与绳驱机构动态交互作业时多因素互联耦合规律。而传统的水果无损采摘单影响因素建模分析方法已不适用于离散非均质体的串型水果，因此，需要研究绳驱串果采摘机构多因素互联耦合建模分析方法，理清串果与机构互联耦合规律，明确影响因素与稳定抓持的映射关系，建立稳定抓持评价模型，实现串果无损机械化采摘。
发明内容
本发明所要解决的技术问题在于，提供一种基于随机森林的串果采摘特征因素分析方法及设备，可准确分析各特征因素对损伤的影响程度，有助于提高机械采摘的效率和质量并且减少损失。
为了解决上述技术问题，本发明提供了一种基于随机森林的串果采摘特征因素分析方法，包括：采集串果数据以构建样本集；根据所述样本集提取特征因素，以构建特征集；从所述样本集中提取训练样本，以构建训练集；根据所述特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成所述特征集中各特征因素的基尼重要性，所述基尼重要性为特征因素在决策树的每个节点上的基尼不纯度减少的加权平均值；其中，所述改进型随机森林算法中将决策树的节点划分为不同层次，并分别计算节点在不同层次的基尼不纯度以确定所述基尼重要性。
作为上述方案的改进，所述特征集中各特征因素的基尼重要性的计算方法包括：根据公式计算所述特征集中各特征因素的基尼重要性，
其中，I Gini(k)为第k各特征因素的基尼重要性，I(j,n)为节点j在层次n的基尼不纯度，ω n表示在第n层节点的权重，N为在随机森林中的总样本数。
作为上述方案的改进，所述基尼不纯度的计算方法包括：
根据公式计算所述基尼不纯度，
其中，I(j,n)为节点j在层次n的基尼不纯度，K为特征集，p(k|j,n)为分类概率。
作为上述方案的改进，所述基于随机森林的串果采摘特征因素分析方法还包括：根据所述基尼重要性按顺序输出所述特征因素。
作为上述方案的改进，所述基尼重要性越大的特征因素，对随机森林模型的决策影响越大。
作为上述方案的改进，所述基于随机森林的串果采摘特征因素分析方法还包括：将待预测的串果数据输入训练好的随机森林模型，以生成损伤程度预测结果。
作为上述方案的改进，所述特征因素包括串果体积、串果重量、串果成熟度、抓取力度、抓取速度及采摘频率。
作为上述方案的改进，采用Bootstrap抽样方法从所述样本集中随机选取训练样本，以构建训练集。
作为上述方案的改进，所述串果数据包括串果图片信息、特征信息及损伤标签信息。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述基于随机森林的串果采摘特征因素分析方法的步骤。
实施本发明，具有如下有益效果：
本发明基于随机森林的串果采摘特征因素分析方法弥补了机械无损采摘中对特征因素之间耦合关系不明朗的空缺，通过分析多个特征因素的相互影响，可有效确定特征因素对损伤的影响，有助于提高机械采摘的效率和质量并且减少损失，提高农业生产的可持续性；
同时，本发明考虑了特征在不同层次节点中的基尼重要性，将决策树的节点划分为不同层次，并分别计算节点在不同层次的基尼不纯度以确定基尼重要性，可以更好地理解特征在决策树的不同层次中的影响，以及不同层次节点之间的权衡，从而更全面地评估特征的贡献。
进一步，本发明通过输出特征集中各特征因素的重要性排序，可便于操作人员了解哪些特征因素对于串果损伤的预测最为关键；
另外，通过将待预测的串果数据输入训练好的随机森林模型，即可对串果损伤进行预测，从而准确地预测果实损伤程度。
附图说明
图1是本发明基于随机森林的串果采摘特征因素分析方法的第一实施例流程图；
图2是本发明中随机森林模型的示意图；
图3是本发明基于随机森林的串果采摘特征因素分析方法的第二实施例流程图；
图4是本发明基于随机森林的串果采摘特征因素分析方法的第三实施例流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明基于随机森林的串果采摘特征因素分析方法的第一实施例流程图，其包括：
S101，采集串果数据以构建样本集；
串果数据包括串果图片信息、特征信息及损伤标签信息（即与损伤程度相关的标签或分类信息）。
S102，根据样本集提取特征因素，以构建特征集；
机械采摘过程中抓取力度和抓取速度越大，损伤的可能性越高；而采摘频率越大，断梗时产生的机械振动频率越大，果实越容易脱落；因此可选择抓取力度、抓取速度、采摘频率等特征作为机械特征因素。
同时，根据现有研究成果可推测影响串果采摘损伤的因素主要有：串果的大小、重量和成熟度等因素。
因此，可从样本集中筛选可能影响采摘损伤的特征因素，所述特征因素包括串果体积、串果重量、串果成熟度、抓取力度、抓取速度及采摘频率，但不以此为限制，可根据实际情况进行调整。
S103，从样本集中提取训练样本，以构建训练集；
采用Bootstrap抽样方法从N样本集中随机选取n个训练样本，以构建训练集。
S104，根据特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成特征集中各特征因素的基尼重要性。
其中，基尼重要性为特征因素在决策树的每个节点上的基尼不纯度减少的加权平均值。
需要说明的是，随机森林由多个决策树组成，每棵决策树都是一个分类器或回归模型，用于预测目标变量；在每棵决策树的训练过程中，随机从训练集中进行有放回的抽样，每棵决策树所见的训练数据均略有不同，这有助于引入多样性；在每次分裂节点时，随机选择一个特征集用于分裂，这限制了每棵决策树对特征的依赖，增加了模型的多样性；最后随机森林用平均的方式来组合每棵决策树的预测结果。
与现有随机森林算法不同的是，本发明的改进型随机森林算法中将决策树的节点划分为不同层次，并分别计算节点在不同层次的基尼不纯度以确定基尼重要性。
如图2所示，本发明的随机森林模型中，引入了多层次节点改进的基尼重要性计算。首先，为决策树的节点定义不同的层次；其中，可将根节点定义为第一层n1，其子节点定义为第二层n2，以此类推，对于每个节点j和每个层次n，计算该节点j在层次n的基尼不纯度。因此，本发明考虑了特征在不同层次节点中的基尼重要性，可以更好地理解特征在决策树的不同层次中的影响，以及不同层次节点之间的权衡，从而更全面地评估特征的贡献。
训练完成后，可通过随机森林模型获取每个特征因素的基尼重要性，所述基尼重要性表示每个特征因素对于随机森林模型的决策的贡献程度；也就是说，基尼重要性越大的特征因素，对随机森林模型的决策影响越大。
进一步，可根据以下公式计算特征集中各特征因素的基尼重要性：
其中，I Gini(k)为第k各特征因素的基尼重要性，I(j,n)为节点j在层次n的基尼不纯度，ω n表示在第n层节点的权重，N为在随机森林中的总样本数。
相应地，可根据以下公式计算基尼不纯度：
其中，I(j,n)为节点j在层次n的基尼不纯度，K为特征集，p(k|j,n)为分类概率。
由上可知，本发明弥补了机械无损采摘中对特征因素之间耦合关系不明朗的空缺，通过分析多个特征因素的相互影响，确定哪些特征因素对损伤的影响最大，有助于提高机械采摘的效率和质量并且减少损失，提高农业生产的可持续性。
参见图3，图3显示了本发明基于随机森林的串果采摘特征因素分析方法的第二实施例流程图，其包括：
S201，采集串果数据以构建样本集；
S202，根据样本集提取特征因素，以构建特征集；
S203，从样本集中提取训练样本，以构建训练集；
S204，根据特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成特征集中各特征因素的基尼重要性。
S205，根据基尼重要性按顺序输出特征因素。
需要说明的是，通过输出特征集中各特征因素的重要性排序，可便于操作人员了解哪些特征因素对于串果损伤的预测最为关键。
参见图4，图4显示了本发明基于随机森林的串果采摘特征因素分析方法的第三实施例流程图，其包括：
S301，采集串果数据以构建样本集；
S302，根据样本集提取特征因素，以构建特征集；
S303，从样本集中提取训练样本，以构建训练集；
S304，根据特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成特征集中各特征因素的基尼重要性。
S305，根据基尼重要性按顺序输出特征因素。
S306，将待预测的串果数据输入训练好的随机森林模型，以生成损伤程度预测结果。
因此，通过训练好的随机森林模型，对串果损伤进行预测，可以更准确地预测果实损伤程度。
下面结合具体的实施例对本发明做进一步的详细描述：
S401，对某地葡萄园同一批次同种类葡萄进行采样，作为样本集；
S402，将抓取力度、抓取速度、采摘频率、串果成熟度、串果体积、串果重量这六个特征因素作为特征集；
S403，使用Bootstrap抽样方法从样本集中创建多个随机子样本集，构成训练集；
S404，利用训练集生成决策树，其中每棵树只包含两个特征因素。
需要说明的是，两个特征因素可以确保树之间的差异性，从而提高了模型的多样性；同时，如果每棵决策树都考虑了所有特征，模型可能会过于复杂，容易出现过拟合，即模型在训练数据上表现良好但在新数据上表现较差；通过限制每棵决策树的特征数量，可以减少过拟合的风险；因此，随机不重复的选择两个特征因素作为决策树的节点，重复上述过程即可建立起随机森林模型。
S405，训练完成后，通过查看随机森林模型的特征重要性，获取每个特征因素的基尼重要性得分，并根据特征因素的基尼重要性得分，将特征进行排序，以了解哪些特征对于葡萄串果损伤的预测最为关键。
例如，第一棵树中抓取力度I Gini(1)=0.045、抓取速度I Gini(2)=0.015；第二棵树中抓取速度I Gini(2)=0.036、串果体积I Gini(4)=0.051；第三棵树中抓取力度I Gini(1)=0.027、串果成熟度I Gini(6)=0.077；直至得出每棵树相应的基尼重要性，再将所有决策树中每个特征的基尼重要性进行平均，即将上述基尼重要性值相加并除以树的总数，就可以获得每个特征因素的平均基尼重要性值，并将平均基尼重要性作为对应特征因素的最终基尼重要性。
S406，使用训练好的随机森林模型，对新的葡萄串果样本进行损伤程度预测，如轻微、中等、严重损伤。
相应地，本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述基于随机森林的串果采摘特征因素分析方法的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于随机森林的串果采摘特征因素分析方法，其特征在于，包括：
采集串果数据以构建样本集；
根据所述样本集提取特征因素，以构建特征集；
从所述样本集中提取训练样本，以构建训练集；
根据所述特征集及训练集，利用改进型随机森林算法进行训练以构建随机森林模型并生成所述特征集中各特征因素的基尼重要性，所述基尼重要性为特征因素在决策树的每个节点上的基尼不纯度减少的加权平均值；
其中，所述改进型随机森林算法中将决策树的节点划分为不同层次，并分别计算节点在不同层次的基尼不纯度以确定所述基尼重要性。
2.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，所述特征集中各特征因素的基尼重要性的计算方法包括：
根据公式计算所述特征集中各特征因素的基尼重要性，
其中，I Gini(k)为第k各特征因素的基尼重要性，I(j,n)为节点j在层次n的基尼不纯度，ω n表示在第n层节点的权重，N为在随机森林中的总样本数。
3.如权利要求2所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，所述基尼不纯度的计算方法包括：
根据公式计算所述基尼不纯度，
其中，I(j,n)为节点j在层次n的基尼不纯度，K为特征集，p(k|j,n)为分类概率。
4.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，还包括：根据所述基尼重要性按顺序输出所述特征因素。
5.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，所述基尼重要性越大的特征因素，对随机森林模型的决策影响越大。
6.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，还包括：将待预测的串果数据输入训练好的随机森林模型，以生成损伤程度预测结果。
7.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，所述特征因素包括串果体积、串果重量、串果成熟度、抓取力度、抓取速度及采摘频率。
8.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，采用Bootstrap抽样方法从所述样本集中随机选取训练样本，以构建训练集。
9.如权利要求1所述的基于随机森林的串果采摘特征因素分析方法，其特征在于，所述串果数据包括串果图片信息、特征信息及损伤标签信息。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410004546.8A CN117493856B (zh) | 2024-01-03 | 2024-01-03 | 一种基于随机森林的串果采摘特征因素分析方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410004546.8A CN117493856B (zh) | 2024-01-03 | 2024-01-03 | 一种基于随机森林的串果采摘特征因素分析方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493856A true CN117493856A (zh) | 2024-02-02 |
| CN117493856B CN117493856B (zh) | 2024-06-14 |
Family
ID=89669471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410004546.8A Active CN117493856B (zh) | 2024-01-03 | 2024-01-03 | 一种基于随机森林的串果采摘特征因素分析方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493856B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
| WO2020047316A1 (en) * | 2018-08-31 | 2020-03-05 | Alibaba Group Holding Limited | System and method for training a damage identification model |
| WO2020233259A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于多中心模式下随机森林算法的特征重要性排序系统 |
| US20210097449A1 (en) * | 2020-12-11 | 2021-04-01 | Intel Corporation | Memory-efficient system for decision tree machine learning |
| CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
| CN115511855A (zh) * | 2022-10-09 | 2022-12-23 | 东北林业大学 | 一种基于高光谱图像和迁移学习的梨损伤识别方法 |
| WO2023272852A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 通过决策树模型对用户进行分类的方法、装置、设备和存储介质 |
| CN117195691A (zh) * | 2023-08-10 | 2023-12-08 | 广东电网有限责任公司广州供电局 | 电缆载流不平衡度的确定方法、装置和计算机设备 |
-
2024
- 2024-01-03 CN CN202410004546.8A patent/CN117493856B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020047316A1 (en) * | 2018-08-31 | 2020-03-05 | Alibaba Group Holding Limited | System and method for training a damage identification model |
| CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
| WO2020233259A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于多中心模式下随机森林算法的特征重要性排序系统 |
| US20210097449A1 (en) * | 2020-12-11 | 2021-04-01 | Intel Corporation | Memory-efficient system for decision tree machine learning |
| WO2023272852A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 通过决策树模型对用户进行分类的方法、装置、设备和存储介质 |
| CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
| CN115511855A (zh) * | 2022-10-09 | 2022-12-23 | 东北林业大学 | 一种基于高光谱图像和迁移学习的梨损伤识别方法 |
| CN117195691A (zh) * | 2023-08-10 | 2023-12-08 | 广东电网有限责任公司广州供电局 | 电缆载流不平衡度的确定方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 宁政通 等: "基于深度学习的葡萄果梗识别与最优采摘定位", 《农业工程学报》, vol. 37, no. 9, 31 May 2021 (2021-05-31), pages 222 - 229 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493856B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8825573B2 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
| CN115062710A (zh) | 基于深度确定性策略梯度的联邦学习分类模型训练方法 | |
| CN109948742A (zh) | 基于量子神经网络的手写体图片分类方法 | |
| CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
| CN109259764B (zh) | 一种确定动态脑功能网络阈值方法 | |
| CN107798379A (zh) | 改进量子粒子群优化算法的方法及基于改进算法的应用 | |
| CN109816087B (zh) | 基于人工鱼群与蛙群混合算法的粗糙集属性约简的强对流天气判别方法 | |
| CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
| Dai et al. | An industrial-grade solution for crop disease image detection tasks | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| CN113409898A (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
| CN113539386A (zh) | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 | |
| CN117493856B (zh) | 一种基于随机森林的串果采摘特征因素分析方法及设备 | |
| Phan et al. | Efficiency enhancement of evolutionary neural architecture search via training-free initialization | |
| Neverov et al. | The research of automl methods in the task of wave data classification | |
| CN113222145A (zh) | 一种基于modwt-emd的时间序列混合预测方法 | |
| CN103020864B (zh) | 玉米良种选育方法 | |
| CN110955702A (zh) | 一种基于改进遗传算法的模式数据挖掘方法 | |
| CN109711460A (zh) | 初始聚类中心的获取方法及装置 | |
| CN113986636A (zh) | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 | |
| CN112488149A (zh) | 一种基于1d-cnn特征重构的网络安全数据分类方法 | |
| CN108668265B (zh) | 基于循环神经网络预测移动用户间相遇概率的方法 | |
| Hwang et al. | Improving evolvable hardware by applying the speciation technique | |
| CN117669393B (zh) | 一种爆破块度不确定性预测方法及系统 | |
| CN113160906B (zh) | 一种MXenes材料稳定性分类系统及其运行方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |