本文提出了山药的形状估计贝叶斯方法<我t一个l我c> (薯蓣属opposita)我t一个l我c>使用一些关键的直径的山药。山药的形状预测适用于确定最优截止位置的山药生产种子山药。我们的贝叶斯方法,结合贝叶斯估计模型和预测模型,使自动、快速和低成本处理山药。后提出的建设模型使用一个示例数据集在日本,山药的模型提供了整体形状预测基于直径只有几个键。贝叶斯方法表现良好的形状预测的最小化之间的均方误差测量形状和预测。特别是,一个多元回归方法与关键直径在两个固定位置达到最高的形状预测的性能。我们已经开发出自动、快速和低成本的yam-processing机器基于贝叶斯估计模型和预测模型。发展这样的形状预测方法,包括我们的贝叶斯方法,可以是一个宝贵的援助减少食品加工的成本和时间。
山药<我t一个l我c>
(薯蓣属opposita)我t一个l我c>是一种最从日本出口作物。山药出口的价值在2013年达到18.9亿日元(
种子山药生产的机械化的问题在于如何确定每个山药截止位置。预计削减山药统一与所需的重量和没有太多损失。因此,山药密度相等的假设下,要求山药的形状被测量,因为每个种子的重量山药可以计算使用的形状和截止位置。
一个简单的方法来测量山药的形状是扫描山药用传感器。然而,这包括三个问题:<我nl我ne- - - - - -formula>
在本文中,我们提出一个贝叶斯框架来解决问题(<我nl我ne- - - - - -formula>
贝叶斯统计推断的方法是一种技术,更新基于概率随机参数的先验概率模型中基于观测。通过使用贝叶斯推理,我们可以设置一个先验分布参数的基于先验信息,可以提前获得稳健估计参数缺乏观察,因此贝叶斯方法是特别有用,当观测数据是估计不足。在这个原因,贝叶斯方法数据分析被广泛应用(例如,
该方法估计基于一些山药的整体形状的测量直径的山药的关键。这两个问题关于山药的形状的测量是由使用该方法,克服由于纱线的直径是容易和准确测量传感器。我们估计最优位置的直径测量的形状预测的误差最小化。我们还说明了该方法的高绩效的评估山药的形状使用样本数据集,其中包含的长度、重量和直径每隔10到50毫米(图
山药的测量的一个例子:长度和直径。重量也观察到。山药都是在直径25毫米自动切断(截点)。
本文的其余部分组织如下;部分
在本节中,我们介绍我们的样本数据集和提出方法。后提出的建设方法使用样本数据集,山药的方法预测整个形状,可表达的所有直径山药块茎轴的长度,根据一些关键的直径,可以提前测量。
我们开发了贝叶斯方法预测的形状山药在三个步骤。
首先,作为一步<我nl我ne- - - - - -formula>
在这项研究中,我们使用数据从111年<我nl我ne- - - - - -formula>
对于一个样本山药<我nl我ne- - - - - -formula>
估计未知数量的一大难题<我nl我ne- - - - - -formula>
现在,我们把
当参数<我nl我ne- - - - - -formula>
在本节中,我们提出三种模型预测山药的形状根据估计结果的样本。让<我nl我ne- - - - - -formula>
我们的目标是预测点直径<我nl我ne- - - - - -formula>
定义<我nl我ne- - - - - -formula>
然后,山药与价值<我nl我ne- - - - - -formula>
正如上面提到的,建立了三种预测模型。这些预测模型有两个相关的问题。一个是如何确定位置参数,也就是<我nl我ne- - - - - -formula>
具体地说,佤邦和S-RM模型的均方误差被定义为
同样,M-RM模型,MSE的定义
一个预测模型,最大限度地减少的最小值<我nl我ne- - - - - -formula>
首先,作为一步<我nl我ne- - - - - -formula>
三种预测方法的MSE值:佤邦(虚线),S-RM(虚线)和M-RM(实线)。横轴表示距离<我nl我ne- - - - - -formula>
多元回归系数的估计<我nl我ne- - - - - -formula>
观察(固体)和预测(破碎)样品的形状(数字1-60,长度为274 - 459毫米),使用提出的贝叶斯方法与M-RM预测模型。样品要求的长度。水平和垂直轴表示的距离(毫米)从分界点和半径(毫米),分别。
观察(固体)和预测(破碎)的形状样品(编号61 - 111,长度为460 - 650毫米),使用提出的贝叶斯方法与M-RM预测模型。样品要求的长度。水平和垂直轴表示的距离(毫米)从分界点和半径(毫米),分别。
首先,三种预测模型,佤邦,S-RM M-RM,构造基于贝叶斯估计的结果模型,山药形状预测比较MSE。尽管佤邦是一个简单的方法与其他方法相比,它导致一个小MSE值为18.62<我nl我ne- - - - - -formula>
M-RM建设后的使用示例数据集在这项研究中,M-RM可用于整个形状预测基于两个直径在固定的位置<我nl我ne- - - - - -formula>
M-RM方法根据均方误差值(图表现良好
测量和预测的重量与M-RM预测模型提出了贝叶斯方法。拟议中的贝叶斯方法不仅成功地预测了山药的整体形状(数字
本文提出的贝叶斯方法,结合贝叶斯估计模型和预测模型,山药的形状预测。三种预测模型我们应用加权平均(WA)和单一和多元回归方法(S-RM M-RM, resp)。贝叶斯方法与M-RM预测模型与两个直径在固定的位置<我nl我ne- - - - - -formula>
图
散点图的长度和重量的111山药在这项研究中。
对于一个给定的样本<我nl我ne- - - - - -formula>
时的值<我nl我ne- - - - - -formula>
的后验分布<我nl我ne- - - - - -formula>
当观测数据<我nl我ne- - - - - -formula>
因此,估计的<我nl我ne- - - - - -formula>
通过应用的结果<我nl我ne- - - - - -formula>
作者宣称没有利益冲突有关的出版。