脊波网络的碳通量预测

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 228-230.

脊波网络的碳通量预测

王楷，薛月菊，陈汉鸣，孔德运，陈瑶

华南农业大学南方农业机械与装备关键技术省部共建教育部重点实验室，广州 510642

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

Prediction of carbon flux based on ridgelet network

WANG Kai，XUE Yueju，CHEN Hanming，KONG Deyun，CHEN Yao

Key Lab of Key Technology on Agricultural Machine and Equipment Ministy of Education，South China Agricultural University，Guangzhou 510642，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： 碳通量（FC）作为全球二氧化碳循环与排放的重要指标，同各种生态因素有着密切的关系，因此可以通过各种生态因素预测碳通量，但迄今还缺乏有效的预测方法。研究脊波和神经网络结合的模型在碳通量预测中的应用，利用脊波处理碳通量数据的超平面奇异特性，从隐含层节点个数、误差、相关性等方面和小波网络进行了比较。实验结果表明，所采用的模型隐含层节点个数更少，拟合精度更高，预测能力更强，收敛速度更快。

关键词: 碳通量预测, 高维, 脊波, 小波, 超平面奇异特性

Abstract: Carbon Flux（FC） is an important index for global carbon dioxide circulation and emission.It is closely related to various ecological factors which can predict carbon flux.However，there have been no effective methods for prediction of FC so far.This paper researches the application of model combined with ridgelet and neural network in predicting FC.This model deals with hyperplane singularities of FC data with ridgelet.The ridgelet network is compared with wavelet network on number of hidden layer nodes，error，and correlation and so on.The experimental results show that ridgelet network has fewer number of hidden layer nodes，higher fitting precision，stronger predicted ability and faster convergent rate.

Key words: Carbon Flux（FC） prediction, high dimension, ridgelet, wavelet, hyperplane singularity

王楷，薛月菊，陈汉鸣，孔德运，陈瑶. 脊波网络的碳通量预测[J]. 计算机工程与应用, 2011, 47(34): 228-230.

WANG Kai，XUE Yueju，CHEN Hanming，KONG Deyun，CHEN Yao. Prediction of carbon flux based on ridgelet network[J]. Computer Engineering and Applications, 2011, 47(34): 228-230.

[1]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[2]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[3]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[4]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[5]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[6]	张迪，杨沛，邓鑫波，赵千川. ASExplorer：基于联合熵的多维相关性可视分析系统[J]. 计算机工程与应用, 2021, 57(1): 99-109.
[7]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[8]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[9]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[10]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[11]	武森，何慧霞，范岩岩. 拓展差异度的高维数据聚类算法[J]. 计算机工程与应用, 2020, 56(23): 38-44.
[12]	吴天纬，安斯光，孙崎岖，李梅，孙丽宏，申屠南瑛. 改进聚合树的高维多目标降维优化算法[J]. 计算机工程与应用, 2020, 56(21): 47-53.
[13]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[14]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[15]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.