scholarly journals Prediction of beef marbling using Hyperspectral Imaging (HSI) and Partial Least Squares Regression (PLSR)

2017 ◽  
Vol 8 (2) ◽  
pp. 169-174 ◽  
Author(s):  
Victor Aredo ◽  
Lía Velásquez ◽  
Raúl Siche
Keyword(s):  
Least Squares ◽  
Partial Least Squares ◽  
Hyperspectral Imaging ◽  
Partial Least Squares Regression ◽  
Least Squares Regression ◽  
Beef Marbling

scholarly journals Proximal Hyperspectral Imaging Detects Diurnal and Drought-Induced Changes in Maize Physiology

2021 ◽  
Vol 12 ◽  
Author(s):  
Stien Mertens ◽  
Lennart Verbraeken ◽  
Heike Sprenger ◽  
Kirin Demuynck ◽  
Katrien Maleux ◽  
...  
Keyword(s):  
Water Potential ◽  
Least Squares ◽  
Partial Least Squares ◽  
Hyperspectral Imaging ◽  
Partial Least Squares Regression ◽  
Physiological Traits ◽  
Plant Phenotyping ◽  
Least Squares Regression ◽  
Proximal Sensing ◽  
Induced Changes

Hyperspectral imaging is a promising tool for non-destructive phenotyping of plant physiological traits, which has been transferred from remote to proximal sensing applications, and from manual laboratory setups to automated plant phenotyping platforms. Due to the higher resolution in proximal sensing, illumination variation and plant geometry result in increased non-biological variation in plant spectra that may mask subtle biological differences. Here, a better understanding of spectral measurements for proximal sensing and their application to study drought, developmental and diurnal responses was acquired in a drought case study of maize grown in a greenhouse phenotyping platform with a hyperspectral imaging setup. The use of brightness classification to reduce the illumination-induced non-biological variation is demonstrated, and allowed the detection of diurnal, developmental and early drought-induced changes in maize reflectance and physiology. Diurnal changes in transpiration rate and vapor pressure deficit were significantly correlated with red and red-edge reflectance. Drought-induced changes in effective quantum yield and water potential were accurately predicted using partial least squares regression and the newly developed Water Potential Index 2, respectively. The prediction accuracy of hyperspectral indices and partial least squares regression were similar, as long as a strong relationship between the physiological trait and reflectance was present. This demonstrates that current hyperspectral processing approaches can be used in automated plant phenotyping platforms to monitor physiological traits with a high temporal resolution.

Use of reflectance spectroscopy to estimate the organic carbon and CaCO3 contents of soils

2012 ◽  
Vol 61 (2) ◽  
pp. 277-290 ◽  
Author(s):  
Ádám Csorba ◽  
Vince Láng ◽  
László Fenyvesi ◽  
Erika Michéli
Keyword(s):  
Organic Carbon ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Mean Squared Error ◽  
Reflectance Spectroscopy ◽  
Least Squares Regression ◽  
Root Mean Squared Error ◽  
Squared Error

Napjainkban egyre nagyobb igény mutatkozik olyan technológiák és módszerek kidolgozására és alkalmazására, melyek lehetővé teszik a gyors, költséghatékony és környezetbarát talajadat-felvételezést és kiértékelést. Ezeknek az igényeknek felel meg a reflektancia spektroszkópia, mely az elektromágneses spektrum látható (VIS) és közeli infravörös (NIR) tartományában (350–2500 nm) végzett reflektancia-mérésekre épül. Figyelembe véve, hogy a talajokról felvett reflektancia spektrum információban nagyon gazdag, és a vizsgált tartományban számos talajalkotó rendelkezik karakterisztikus spektrális „ujjlenyomattal”, egyetlen görbéből lehetővé válik nagyszámú, kulcsfontosságú talajparaméter egyidejű meghatározása. Dolgozatunkban, a reflektancia spektroszkópia alapjaira helyezett, a talajok ösz-szetételének meghatározását célzó módszertani fejlesztés első lépéseit mutatjuk be. Munkánk során talajok szervesszén- és CaCO3-tartalmának megbecslését lehetővé tévő többváltozós matematikai-statisztikai módszerekre (részleges legkisebb négyzetek módszere, partial least squares regression – PLSR) épülő prediktív modellek létrehozását és tesztelését végeztük el. A létrehozott modellek tesztelése során megállapítottuk, hogy az eljárás mindkét talajparaméter esetében magas R2értéket [R2(szerves szén) = 0,815; R2(CaCO3) = 0,907] adott. A becslés pontosságát jelző közepes négyzetes eltérés (root mean squared error – RMSE) érték mindkét paraméter esetében közepesnek mondható [RMSE (szerves szén) = 0,467; RMSE (CaCO3) = 3,508], mely a reflektancia mérési előírások standardizálásával jelentősen javítható. Vizsgálataink alapján arra a következtetésre jutottunk, hogy a reflektancia spektroszkópia és a többváltozós kemometriai eljárások együttes alkalmazásával, gyors és költséghatékony adatfelvételezési és -értékelési módszerhez juthatunk.

Speech Emotion Recognition Based on Sparse Representation

2013 ◽  
Vol 38 (4) ◽  
pp. 465-470 ◽  
Author(s):  
Jingjie Yan ◽  
Xiaolan Wang ◽  
Weiyi Gu ◽  
LiLi Ma
Keyword(s):  
Dimensionality Reduction ◽  
Emotion Recognition ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Speech Emotion Recognition ◽  
Least Squares Regression ◽  
Computer Science Pedagogy ◽  
Reduction Methods ◽  
Analysis Computer

Abstract Speech emotion recognition is deemed to be a meaningful and intractable issue among a number of do- mains comprising sentiment analysis, computer science, pedagogy, and so on. In this study, we investigate speech emotion recognition based on sparse partial least squares regression (SPLSR) approach in depth. We make use of the sparse partial least squares regression method to implement the feature selection and dimensionality reduction on the whole acquired speech emotion features. By the means of exploiting the SPLSR method, the component parts of those redundant and meaningless speech emotion features are lessened to zero while those serviceable and informative speech emotion features are maintained and selected to the following classification step. A number of tests on Berlin database reveal that the recogni- tion rate of the SPLSR method can reach up to 79.23% and is superior to other compared dimensionality reduction methods.

Sign in / Sign up

Export Citation Format

Share Document