Values and logic of regional forestry history: a case study of Zhejiang Province
-
摘要: 学术界对林业史的研究较为充分，但对区域林业史的研究明显不足。区域林业史研究的价值在于：一是可弥补全国林业史很难注意到区域差异性而导致的不足，以补充和丰富全国史，推动全国史研究的深入发展；二是实现区域通史研究与区域生产部门史研究、区域农业史研究与区域林业史研究分离，以求区域林业史研究得到强化与细化。区域林业史研究总体思路为：以辩证唯物主义和历史唯物主义作为历史观和方法论，应体现浓郁的地方特色、鲜活的时代特色、鲜明的专业特色和强烈的现实指导意义，把区域林业历史变迁过程的分期、分区域、分内容研究和林业变迁各种机制研究结合起来。Abstract: The researches on the Chinese forestry history are abundant, but little about the regional forestry history. Research on the regional forestry can not only make up for the insufficiencies in the national forestry history and enrich it, but also achieve a profound research on the regional forestry history by separating it from the regional production history and regional agricultural history. The main research logic of regional forestry history is to combine the various researches on regional forestry history by stages, by regions, by contents and by changes, based on both of the dialectical materialism and the historical materialism.
-
Key words:
- regional forestry history /
- values /
- logic /
- Zhejiang Province
-
木材在中国可再生资源中占有很大的比例。随着国民经济逐步增长，木材市场不断扩大。目前，由于优质木材频频出现供需不平衡、木材造假等问题，因此采用多种识别技术来甄别木材种类已成为必然。木材种类识别除了依照形态学处理外，还可以使用计算机图像识别、DNA识别等方法[1-3]，但是这些方法和传统的取样方法一样[4]，都需要对树木进行剖析和制样，对于一些珍贵的木材会造成不必要的浪费，甚至会降低本身的价值。近红外光谱分析技术是20世纪70年代兴起的一种新的木材识别分析技术。它作为一种常用的测量工具，具有快速、无损、在线分析等优势。近几年，学者们应用近红外光谱技术对木材种类进行了识别研究[5]，如王学顺等[6]利用近红外光谱技术，结合主成分分析(PCA)和BP神经网络对不同木材种类进行了识别研究，效果良好。谭念等[7]基于近红外光谱技术，联合PCA和支持向量机实现了木材种类的有效鉴别。
目前，近红外光谱分析技术用于木材种类识别大多采用PCA进行特征提取，实现数据降维，但这种方法的特征值筛选有一定的局限性，仅凭累计贡献率决定特征值的个数，无法通过参数化等方法对处理过程进行干预，效率和物理实用性不高。连续投影算法(SPA)是一种常用的特征波长筛选算法。它能够利用向量的投影分析，寻找含有最低限度冗长信息的变量组，通过参数调整可实现较强物理实用性的数据压缩。陈远哲等[8]基于SPA构建了最小偏二乘法回归模型，适用于淡水鱼储藏期质构品质的快速无损检测。郭文川等[9]通过比较不同特征提取方式，得出采用SPA和随机森林识别准确率最高。遗传算法(GA)用于寻优，广泛应用于机器学习等领域。
本研究将SPA和GA联用，在运用SPA获得特征值后，应用GA进一步寻找最佳特征参数，以提升木材识别的效率和准确率。本研究以红檀Swartizia spp.、刺猬紫檀Pterocarpus erinaceus、巴里黄檀Dalbergia bariensis、大果紫檀Pterocarpus macrocarpus、红檀香Myroxylon balsamu、破布木Cordia dichotoma、豆瓣香Osmanthus delavayi、檀香紫檀Pterocarpus santalinus、中美洲黄檀Dalbergia granadillo和黑檀Dalbergia nigra为研究对象，应用可见/近红外光谱仪采集10种木材的光谱图，运用不同的预处理方式叠加进行降噪分析，以BP神经网络为木材种类的分类识别算法，探讨经GA优化的SPA较之常规特征提取算法的优越性，为更精确高效的木材识别提供参考。
1. 材料与方法
1.1 数据采集与主要仪器
数据采集：参与试验的木材共10种，试样为6 cm×5 cm×2 cm的木块。每种木材制备5块样本，共计50块。每块木材分10个点采集光谱，以木块横向等分2份，纵向等分5份，取每份的中心点作为标记进行采样，每个点采集10组数据，取平均值作为此样点的实验数据，即1块试样采集10组实验数据，10种木材共计采集500组实验数据。样点采集遵循以下原则：①采谱过程中每15 min进行1次空白校正，以保证光谱的稳定性。②每块木材样本大小、薄厚和形状均保持一致，确保样点在每块样本木块上的属性相同，最大程度缩小误差。
主要仪器：LabSpec 5000光谱仪(ASD公司，美国)，波长为350~2 500 nm。用光谱仪配套的软件Indico Pro Version 3.1采集光谱数据。
1.2 主成分分析法(PCA)
PCA是一种常用的波段降维手段。主成分通常表示为原始变量的某种线性组合，它们不仅能够代表原始变量绝大多数的信息，还可以一定程度上去除噪声，压缩数据，对高维数据进行降维，减少预测变量的个数[10]。
1.3 连续投影算法(SPA)
SPA是一种使矢量空间共线性最小化的前向变量选择算法，在降低共线信息的研究和有效信息获取的研究中取得较好的成效[11-12]。本研究应用SPA在光谱全波段中筛选出少量几个特征波段，不仅能够减少参与识别的光谱波段个数，并且可以保证特征波段之间的共线性最小，进而提高识别正确率和速度。
1.4 SPA-GA-BP神经网络识别方法
当SPA筛选后的输入自变量较多且不是相互独立时，利用BP神经网络容易出现过拟合的现象，从而导致所建立的模型精度低、建模时间长等问题，因此，在构建模型前，有必要对输入自变量进行优化，选择最能反映输入与输出关系的自变量参与建模。GA优化能较好解决上述问题。利用GA进行优化计算，需要将解空间映射到编码空间，每个编码对应问题的1个解。本研究将编码长度设计为10，木材光谱特征的每位对应1个输入自变量，每一位的基因取值只能是“1”和“0”，如果一位值为“1”，表示该位对应的输入自变量参与最终的建模；反之，则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为GA的适应度函数，这样，经过不断的迭代进化，最终筛选出最具代表性的输入自变量参与建模[13-14]。GA优化的设计步骤主要为：首先产生初始种群，对适应度函数进行计算，其次进行选择、交叉和变异的基础操作，最后优化结果输出，构建其模型。设计步骤如图1所示。
2. 结果与分析
2.1 10种木材的原始光谱图
应用LabSpec 5000光谱仪采集10种木材的原始光谱图，其中选取红檀的50个样本进行对比分析(图2)。
为了更直观地对比10种木材光谱图的差异，分别取10种木材中第1组数据进行绘图分析(图3)。由图3可见：大果紫檀、红檀和檀香紫檀的强度数值过小，几乎与x轴重叠。
由图2和图3可以看出：同一种木材光谱图的波形基本一致，但强度值略有差异；刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀这6种木材的光谱图从波峰、形状上相似性均较高，黑檀与这6种木材的光谱图也较相似，仅在第1个波谷处形状上略有差异。
2.2 主成分分析的BP神经网络识别
原始光谱图往往带有一定的噪声，影响BP神经网络识别的正确率，因此有必要对光谱数据进行预处理[15-17]。数据的预处理方法较多，本研究分别采用了移动平均法、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV对10种木材的原始光谱进行了预处理，通过对比分析以确定最佳的预处理方法。
针对上述的几种预处理方法，分别进行主成分特征提取。以累计贡献率达95%及以上为主成分个数的选取标准。以选取的主成分为输入向量，40个样本作为训练，10个样本作为测试(后文测试数据均与此相同，不再赘述)。应用BP神经网络进行木材种类识别测试，经过20次的随机试验，获得各种预处理下BP神经网络的平均识别结果(表1)。由表1可以看出：采用S-G滤波器+SNV预处理时，BP 神经网络获得的平均识别率最高，达到了84.7%。
表 1 不同预处理的PCA-BP神经网络识别率Table 1 PCA-BP neural network recognition with different preprocessing检测方式 预处理方法 累计贡
献率/%主成分
个数/个平均识
别率/%可见/近红外光谱 对照组 95 12 80.2 移动平均法 95 14 81.4 移动平均法+MSC 95 10 82.1 移动平均法+SNV 95 11 83.5 S-G滤波器 95 12 81.3 S-G滤波器+MSC 95 13 82.9 S-G滤波器+SNV 95 15 84.7 为了方便对比10种木材各自的识别效果，整理了S-G滤波器+SNV预处理时10种木材的BP神经网络识别结果：10种木材的识别效果相差不大，最低为豆瓣香(83.1%)，最高为刺猬紫檀(85.8%)。
2.3 SPA-BP神经网络识别
2.3.1 不同预处理的对比分析
针对2.2节中的几种预处理方法进行SPA的BP神经网络识别探讨，以确定最佳的预处理方法。为了对比预处理的效果，针对SPA方法中的起始波段和特征值个数进行了随机设置。令SPA方法中的起始波段(Winitial)为15 nm，特征值个数(Ntot)为10，对各种预处理后的数据进行SPA特征提取，应用BP神经网络进行20次的随机识别，得出10种木材的平均识别率(表2)。由表2可以看出：对于不同的预处理方式，SPA-BP的正确识别率有所不同，移动平均法+SNV的预处理方法最佳，正确率可达88.2%，因此，后续在分析SPA-BP神经网络识别木材时，本研究仅针对移动平均法和SNV叠加的预处理方法进行分析。
表 2 不同预处理的SPA-BP神经网络平均识别率Table 2 Average recognition rate of SPA-BP neural network with different pretreatments预处理方法 平均识
别率/%预处理方法 平均识
别率/%对照组 86.1 S-G滤波器 86.4 移动平均法 87.2 S-G滤波器+MSC 86.8 移动平均法+MSC 86.5 S-G滤波器+SNV 87.3 移动平均法+SNV 88.2 2.3.2 基于吸收峰的最佳起始波段分析
影响SPA特征提取的因素通常有2个，分别是Winitial和Ntot。随着Winitial和Ntot的改变，提取的特征波长分布会有所不同，从而影响最终BP神经网络的正确识别率，此处探讨最佳Winitial的选取方法。光谱图中的特征吸收峰对被分析物质是很关键的特征，因此首先考虑分别以木材的吸收峰和非吸收峰作为起始波段，通过对比分析，确定最佳起始波段。①吸收峰作为起始波段的选取。光谱图中分布了大小不一的波峰，选取波峰特征较明显的吸收峰进行分析，以波峰点为中心点，取宽度相等的波段区间(每个波段均取51个数据)作为吸收峰的集中分布波段，10种木材的吸收峰集中波段如表3所示。由表3可以看出：10种木材的吸收峰重叠的波段有1 230~1 260、1 780~1 810、1 940~1 970 nm。分别取3个波段的中位数作为起始波段值，即1 245、1 795和1 955 nm。因为Winitial的数值表示为序列号，所以在此基础上减去初始波段350 nm，Winitial最终取值分别为895、1 445、1 605 nm。②非吸收峰作为起始波段的选取。将全波段350~2 500 nm等分成5份，分别在每个等分波段中随机选取1个非吸收峰作为起始波段。本研究随机选取的5个波段的波长分别为365、1 145、1 345、1 700、2 300 nm。在此基础上减去初始波段350 nm，Winitial最终取值分别为15、795、995、1350、1 950。分别以上述的吸收峰和非吸收峰为起始波段值，即以15、795、895、995、1 350、1 445、1 605、1 950 nm作为SPA的起始波段。SPA的特征值个数统一取10，进行BP神经网络识别，经过20次的随机试验，10种木材提取的特征波长分布和平均识别率如表4所示。由表4可以看出：以吸收峰作为起始波段时，特征波长分布大多追溯在吸收峰附近。对比表4的识别率可见，起始波段为1 445 nm时最高，达90.4%，其余按照1605、895、795、995、1 350、1 950和15 nm的顺序依次递减。不难看出，吸收峰作为起始波段的识别率普遍优于非吸收峰。
表 3 10种木材吸收峰个数和集中波段Table 3 Number of absorption peaks and concentrated bands of 10 species of wood木材种类 吸收峰个数/个 集中分布波段/nm 红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172 大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170 檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173 刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
2 092~2 142、2 211~2 261巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
2 087~2 137、2 219~2 269红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
2 092~2 142、2 212~2 262破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
2097~2147、2214~2264豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
2095~2145、2 216~2 266中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
2 084~2 134、2 209~2 259黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
2 092~2 142、2 218~2 268表 4 不同起始波段的SPA-BP神经网络平均识别率Table 4 Average recognition rate of SPA-BP neural network with different starting bands特征值数/个 起始波段/nm 10种木材提取特征波长分布/nm 平均识别率/% 10 895 364~368、2 141~2 144；402~410；418~426；324、2 135~2 142；375~383；432~440；400~408；476~484；420~428；1 452~1 460 89.7 10 1 445 478~586；410~418；423~431；500~508；405~413；436~444；418~426；693~701；891~899；888~896 90.4 10 1 605 133~135、2 137~2 142；891~899；891~899；2 135~2 142、2 132；419~427；819~827；420~428；446~454；892~990；893~901 90.1 10 15 2133~135、2 137~2 142；2 133~2 135、2 137~2 142；408~416；292、22 135~2 142；375~383；430~438；414~422；461~469；420~428；890~898 88.3 10 795 61~64、2 139~2 143；405~413；420~428；326、2 135~2 142；378~386；527~535；403~411；478~486；420~422、1 453~1 458；1 350~1 358 89.5 10 995 203~209、2 141~2 142；399~407；418~426；349~352、2 138~2 142；3381~389；434~442；421~429；485~493；527~535；1 452、1 454~ 1458、1 461~1 463 89.2 10 1 350 82~90；891~899；434~442；519~527；416~424；886~894；420~428；694~702；891~899；888~896 88.9 10 1 950 13、2 135~2 142；379~387；407~415；281、2 135~2 142；293~301；428~436；
1 058~1 066；450~458；413、1 452~1 459；1 452~1 46088.6 说明：木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀 2.3.3 最佳特征值个数分析
将起始波段固定为最佳，即Winitial=1 445 nm，探讨Ntot取不同数值时，对BP神经网络识别木材的影响。从图3的光谱图可以看出：红檀、大果紫檀、檀香紫檀3种木材样本的吸收峰有7个，刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀和黑檀有9个。考虑吸收峰能更好地反映木材光谱图的特征，Ntot分别取了7和9，同时参考SPA的相关文献[18-21]，且基于BP神经网络输入向量过多也会影响识别精度，又分别取了5、8、10、20、25进行了对比分析。基于以上特征数，分别应用BP神经网络进行木材识别，每个状态仍随机运行20次，获得的结果如表5所示。分析表5可知：整体上，当特征值个数取7和9时正确率偏高，说明特征值个数的取值和吸收峰值有关；当特征值个数取9时识别率最高，达93.2%，说明特征值个数和单个木材的吸收峰无关，应由整体的吸收峰来确定。
表 5 同一起始波段不同特征波段的SPA-BP神经网络平均识别率Table 5 Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands起始波
段/nm特征值
数/个平均识
别率/%起始波
段/nm特征值
数/个平均识
别率/%1 445 5 92.3 1 445 10 90.6 1 445 7 93.0 1 445 20 92.7 1 445 9 93.2 1 445 25 91.2 1 445 8 91.6 2.3.4 10种木材的最佳识别结果分析
基于最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9)，整理出SPA-BP神经网络识别10种木材各自的识别结果(表6)。由表6可以看出：在最佳参数设置下，SPA-BP神经网络的识别率较高，大果紫檀、红檀香、中美洲黄檀和黑檀的平均识别率均为100.0%，其他木材的平均识别率最低达90.7%，最高达95.1%。
表 6 同一预处理方式10种木材的SPA-BP神经网络平均识别率Table 6 Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method木材种类 平均识
别率/%木材种类 平均识
别率/%木材种类 平均识
别率/%红檀 90.9 巴里黄檀 94.2 中美洲黄檀 100.0 大果紫檀 100.0 红檀香 100.0 黑檀 100.0 檀香紫檀 90.7 破布木 94.6 平均 95.7 刺猬紫檀 95.1 豆瓣香 91.0 说明：预处理方式为移动平均法+SNV，起始波段为1 445 nm, 特征值数为9个 2.4 SPA-GA-BP神经网络识别
针对SPA的最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9)，基于SPA-GA的BP神经网络识别方法随机运行20次，采用GA优化前后建模时间明显缩短；大果紫檀、红檀香、中美洲黄檀和黑檀在采用GA优化前后正确识别率均为100.0%，说明这4种木材在采用SPA特征提取时，识别率较高，采用GA优化后对正确识别率影响不大；其他6种木材采用SPA特征提取时均有一定的误判，运用GA优化后识别率有一定的提高。其中破布木的识别率由90.0%提升到了100.0%，巴里黄檀由88.9%提升到了100.0%，刺猬紫檀由90.9%提升到了100.0%。虽然每次仅提升1种木材，但通过多次运行，可达到整体提升的效果。
针对上述20次运行结果，获得10种木材各自的识别结果：大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀平均识别正确率高达100.0%，其他3种木材的平均识别率最低达91.5%，最高达95.7%，10种木材的平均识别率达98.0%。
已有的木材识别研究的特征提取方法主要集中于主成分分析[22]、导数处理[23]等，主成分分析的平均识别率为70.0%~95.3%，导数处理识别率达98.6%。虽然这些研究识别率较高，但这些研究参与识别的木材种类大多仅为4~5个，对于同时识别10种木材未见尝试。经研究，参与识别的木材种类越多，识别率越难保证。本研究的主成分分析法识别10种木材，平均识别率仅为84.7%。本研究采取SPA-GA联合的特征提取方法，识别对象为10种木材，通过调整吸收峰、特征值等参数，最终7种木材的平均识别率达100.0%，且识别速度提高为原来的2~3倍。为了进一步验证识别率的鲁棒性，本研究还采用多种预处理的方式，使得原始数据表现出良好的稳定性和容错性。最后实验数据均为随机20次运行的结果，说明训练好的模型可以随时间和频次迁移应用，识别性能不会降低。
3. 结论
研究结果表明：①SPA-GA法识别木材时，选择移动平均法+SNV的预处理方式效果最佳。②对于参数的选择，起始波段选取吸收峰比选取非吸收峰识别率更高，特征值个数结合光谱图的峰值个数选取更恰当。本研究分别选取起始波段为1 445 nm，特征值个数为9个。③SPA-GA提取光谱图特征时识别性能最佳。SPA特征值经GA寻优后，特征个数大多减少为原来的一半左右，优化后BP神经网络的平均识别速度显著提升，大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀等7种木材的平均识别正确率均高达100.0%，总体识别率较SPA显著提高。
本研究仅选择了红檀、刺猬紫檀、巴里黄檀、大果紫檀、红檀香、破布木、豆瓣香、檀香紫檀、中美洲黄檀和黑檀这10种木材样本进行了探讨，对于其他木材的识别有待进一步研究验证。
-
[1] 陈嵘.中国森林史料[M].北京:中国林业出版社,1951. [2] 干铎.中国林业技术史料初步研究[M].北京:农业出版社,1964. [3] 谭其骧.何以黄河在东汉以后会出现一个长期安流的局面?[J].学术月刊,1962,6(2):23-25. [4] 胡坚强.中国林业史研究概述[J].浙江林学院学报,2002,19(3):330-333. [5] 国家林业局.中国林业50年(1949-1999)[M].北京:中国林业出版社,1999. [6] 张钧成.中国林业大事年表[G]//中国农业百科全书编辑部.中国农业百科全书:林业卷.北京:农业出版社,1989. [7] 陶炎.中国森林的历史变迁[M].北京:中国林业出版社,1994. [8] 焦国模.中国林业史[M].台北:国立编译馆,1999. [9] 熊大桐.中国近代林业史[M].北京:中国林业出版社,1989. [10] 张钧成.中国古代林业史:先秦篇[M].台北:五南图书出版公司,1995. [11] 辛业江.中国林业概貌[M].北京:中国林业出版社,1987. [12] 王长富.中国林业经济史[M].哈尔滨:东北林业大学出版社,1990. [13] 林业部教育司.中国林业教育史[M].北京:中国林业出版社,1998. [14] 张钧成.中国林业传统引论[M].北京:中国林业出版社,1992. [15] 董智勇,佟新夫.中国森林史资料汇编[G].北京:中国林学会林业史学会,1993. [16] 王九龄,李荫秀.北京森林史辑要[M].北京:北京科学技术出版社,1992. [17] 翟旺,段贵书.太岳山区森林与生态史[M].太原:山西高校联合出版社,1996. [18] 樊宝敏,董源.明清时期环北京地区的林业政策[J].北京林业大学学报:社会科学版,2002,1(1):56-61. [19] 冯祖祥,漆根深,赵天生.湖北林业史[M].北京:中国林业出版社,1995. [20] 王长富.东北近代林业经济史[M].北京:中国林业出版社,1991. [21] 北京林业志编委会.北京林业志[M].北京:中国林业出版社,1993. [22] 曾若愚.湖北林业志[M].武汉:武汉出版社,1989. [23] 王继贵.四川林业志[M].成都:四川科学技术出版社,1994. [24] 司马迁.史记:卷110匈奴列传[M].北京:中华书局,1975:2892-2893. [25] 王先明."区域化"取向与近代史研究[J].学术月刊,2006,38(3):126-128 ,137. [26] 浙江省林业志编纂委员会.浙江省林业志[M].北京:中华书局,2001:1. [27] 梁启超.中国历史研究法[M].上海:上海古籍出版社,1998:40. [28] 王继贵.我对编写林业志几个问题的浅见[M]//中国林学会林业史学会.林史文集:第1辑.北京:中国林业出版社,1990:91. 期刊类型引用(5)
1. 金航峰，于昌昊，范锴萍，吴健清，颜菲菲，汪涵. 基于近红外高光谱成像技术的地方鸡品种鉴别. 现代食品科技. 2024(05): 247-254 . 
百度学术2. 岳蓉，尹本酥，李振发，李粉玲. 基于无人机RGB影像的染条锈冬小麦花青素含量监测. 麦类作物学报. 2024(07): 936-946 . 百度学术3. 王延年，李鹏程，廉继红，范昊，王炳炎. 纱线卷绕系统恒张力先进控制策略. 纺织高校基础科学学报. 2023(01): 49-56 . 百度学术4. 孙晓荣，田密，刘翠玲，吴静珠，郑冬钰，靳佳蕊. 基于太赫兹成像技术的发芽葵花籽无损检测研究. 食品科技. 2023(02): 296-302 . 百度学术5. 付立岩，冯国红，刘旭铭. 基于多元经验模态分解的可见/近红外光谱识别木材研究. 森林工程. 2023(04): 101-109 . 百度学术其他类型引用(9)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/id/d4787abd-abfd-4ce8-92eb-50864075df3f
下载:
点击查看大图
计量
- 文章访问数: 716
- HTML全文浏览量: 115
- PDF下载量: 30
- 被引次数: 14
下载:
