详情

原文传递基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法

专利名称：	基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
摘要：	本发明公开了基于SAE‑LSSVR农作物镉含量Vis‑NIR光谱深度特征模型建立方法，初始化堆叠自动编码器的权值矩阵W和偏移量b,将光谱数据集合S作为i层的输入；从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合，利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R2和均方根误差RMSE，并将m‑1赋值给m，当m＝0时，预测集合SPi最大决定系数Rp2对应的节点数mc为i+1层最优节点数；若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RBi和RBi+1满足条件：\|\|RBi+1‑RBi\|\|＜ε，ε为误差，且i大于等于2，寻找最优堆叠自动编码器层数，完成模型，本方法提供一种速度快、精度高的镉含量Vis‑NIR光谱深度模型建立方法。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	江苏大学
发明人：	周鑫;孙俊;陈全胜;芦兵;武小红;倪纪恒;沈继锋
专利状态：	有效
申请日期：	2019-04-03T00:00:00+0800
发布日期：	2019-08-16T00:00:00+0800
申请号：	CN201910265834.8
公开号：	CN110132865A
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	212013 江苏省镇江市京口区学府路301号
主权项：	1.基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法，其特征在于，采集不同浓度镉胁迫的样本的高光谱图像，对所高光谱图像进行预处理获得光谱数据集合S；同时测量样本中镉含量信息，形成镉含量标签集合V；输入光谱数据集合S和镉含量标签集合V；初始化堆叠自动编码器的权值矩阵W和偏移量b,设置堆叠自动编码器网络结构,将光谱数据集合S作为i层的输入；从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合，利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R2和均方根误差RMSE，并将m-1赋值给m，当m＝0时，预测集合SPi最大决定系数Rp2对应的节点数mc为i+1层最优节点数；并将mc、Rp2和Rp2对应的RMSEP进行存放；若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RBi和RBi+1满足条件：\|\|RBi+1-RBi\|\|＜ε，ε为误差，且i大于等于2，寻找最优堆叠自动编码器层数，完成模型。 2.根据权利要求1所述的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法，其特征在于，所述预测集决定系数RBi的计算方法为：yk和分别为预测集中第k个样本中镉实际测量值和模型预测值，是预测集中镉实际测量的平均值，k取值为1、2、3、…、n，n为样本数。 3.根据权利要求1所述的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法，其特征在于，所述训练集合是分别从光谱数据集合S和镉含量标签集合V中抽取75％的数据；所述预测集合是从光谱数据集合S和镉含量标签集合V中抽取25％的数据；所述交叉验证集合是采用五折交叉验证法从训练集合SCi中获取交叉验证集合SVi。 4.根据权利要求1所述的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法，其特征在于，所述预处理的过程为：在所采集的高光谱图像信息中获取叶片ROI可见光-近红外光谱信息；采用一阶导数法结合标准归一化变换对叶片ROI可见光-近红外光谱信息进行处理获得光谱数据集合S。 5.根据权利要求1所述的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法，其特征在于，所述镉含量标签集合V获取的方法为：采用原子吸收光谱法测定叶片中重金属镉含量。
所属类别：	发明专利