Influence of Training Set Selection in Artificial Neural Network-Based Propagation Path Loss Predictions

This paper analyzes the use of artificial neural networks (ANNs) for predicting the received power/path loss in both outdoor and indoor links. The approach followed has been a combined use of ANNs and ray-tracing, the latter allowing the identification and parameterization of the so-called dominant path. A complete description of the process for creating and training an ANN-based model is presented with special emphasis on the training process. More specifically, we will be discussing various techniques to arrive at valid predictions focusing on an optimum selection of the training set. A quantitative analysis based on results from two narrowband measurement campaigns, one outdoors and the other indoors, is also presented.

Assessment of phytostabilization of Pb/Zn mine soils with organic amendments and a native metallicolous ecotype of Festuca Rubra l.: implications for amendment selection and recovery of soil health

La contaminación del suelo es una de las principales amenazas para los ecosistemas y la salud humana. Actualmente, desde un punto de vista tanto económico como ambiental, la fitoestabilización es la mejor tecnología para remediar suelos contaminados con elevadas concentraciones de metales como son los suelos mineros. La fitoestabilización asistida consiste en el empleo de plantas y enmiendas orgánicas y/o inorgánicas con el fin de reducir la movilidad y la biodisponibilidad de los contaminantes y recuperar la salud de suelo. En este trabajo se han realizado ensayos en microcosmos y en campo centrándonos en la salud del suelo minero contaminado con Pb y Zn durante un proceso de fitoestabilización empleando enmiendas orgánicas (purines vacunos, gallinaza, estiércol de oveja y lodos de papelera mezclados con gallinaza) y/o la especie metalífera Festuca rubra con el objetivo de (i) estudiar las interacciones suelo-enmienda responsables de los cambios inducidos por el proceso de quimioestabilización en las propiedades físicoquímicas y biológicas del suelo, (ii) evaluar la efectividad del proceso de fitoestabilización sobre suelos vegetados y de la revegetación sobre suelos desnudos (iii) valorar la idoneidad de distintos indicadores químicos y biológicos (parámetros microbianos y de la vegetación) para monitorizar la efectividad de la fitoestabilización asistida en términos de reducción de la biodisponibilidad de metales en el suelo, mejora de la vegetación y de la recuperación de la salud del suelo. La aplicación de enmiendas al suelo minero supone una entrada de materia orgánica y nutrientes que conduce a una disminución de la biodisponibilidad de metales, facilitando la colonización de las plantas y el crecimiento de la vegetación nativa, además de estimular la actividad microbiana del suelo. El pH del suelo es un factor crítico que condiciona la movilidad de los metales y la toxicidad del suelo. Las poblaciones microbianas de las enmiendas no modificaron la diversidad funcional de las comunidades microbianas nativas de la mina. Los purines vacunos y los lodos de papelera mezclados con gallinaza son los tratamientos más efectivos en el proceso de fitoestabilización asistida bajo condiciones de campo. La gallinaza fue el tratamiento que más estimuló el crecimiento de la vegetación nativa y la colonización en los suelos desnudos. El bioensayo de elongación radical de lechuga es un test sensible, sencillo y barato para evaluar la biodisponibilidad de metal y la ecotoxicidad del suelo. Los tocoferoles son biomarcadores de exposición a metales con potencial para su implementación en bioensayos de toxicidad. Este trabajo permite concluir que la población metalífera de F. rubra, combinada con enmiendas orgánicas, es una excelente candidata para los proyectos de fitoestabilización asistida. Además, la monitorización simultánea de los parámetros fisicoquímicos y microbiológicos del suelo y de su ecotoxicidad permite una evaluación adecuada de la salud del suelo, así como la selección de enmiendas apropiadas para el desarrollo de un proceso fitoestabilizador.

Codend selection of winter flounder Pseudopleuronectes americanus

Codend selection of winter flounder (Pseudopleuronectes americanus) in 76-127 mm mesh codends was examined from experiments conducted in Long Island Sound during the spring of 1986-87. The results show a slightly larger size at selection than was found in earlier work as indicated by the selection factor, 2.31 in the present study compared with 2.2 and 2.24 from previous studies. Diamond mesh was found to have a length at 50% retention about 1 cm longer (Lso =22.6 cm), and a selection range (3.4 cm) about 1 cm narrower, than square mesh in 102-mm codends. Tow duration varied from 1 to 2 hours using 114-mm diamond mesh. As has been found in previous studies, tow duration and Lso are positively related, with I-hour tows averaging 24.6 cm and 2-hour tows averaging 26.6 cm. The importance of the slope of the selection curve was examined in yield-per-recruit analyses by comparing knife-edge and stepwise recruitment. In all mesh sizes, stepwise recruitment provides a more conservative estimate of yield in the presence of a minimum size limit. Differences in yield estimates between the two models were generally small (1-7%), except in the largest mesh size, 127 mm, where yield is overestimated by 10% when assuming knife-edge recruitment. (PDF file contains 16 pages.)

Biologically-inspired data decorrelation for hyper-spectral imaging

Hyper-spectral data allows the construction of more robust statistical models to sample the material properties than the standard tri-chromatic color representation. However, because of the large dimensionality and complexity of the hyper-spectral data, the extraction of robust features (image descriptors) is not a trivial issue. Thus, to facilitate efficient feature extraction, decorrelation techniques are commonly applied to reduce the dimensionality of the hyper-spectral data with the aim of generating compact and highly discriminative image descriptors. Current methodologies for data decorrelation such as principal component analysis (PCA), linear discriminant analysis (LDA), wavelet decomposition (WD), or band selection methods require complex and subjective training procedures and in addition the compressed spectral information is not directly related to the physical (spectral) characteristics associated with the analyzed materials. The major objective of this article is to introduce and evaluate a new data decorrelation methodology using an approach that closely emulates the human vision. The proposed data decorrelation scheme has been employed to optimally minimize the amount of redundant information contained in the highly correlated hyper-spectral bands and has been comprehensively evaluated in the context of non-ferrous material classification