[发明专利]基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法

说明书

技术领域

本发明涉及土壤分析技术领域，具体来说是基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法。

背景技术

人类的工农业生产活动容易将大量的重金属元素带入土壤，造成土壤重金属污染，进而影响耕地质量，严重危害人类的健康。目前，土壤重金属检测方法主要有火焰原子吸收分光光度法、电感耦合等离子发射光谱法等，但是所需仪器均较为复杂，且土壤样品需要消解等前期处理，无法实现对土壤重金属的快速检测，而实现土壤重金属快速检测对农业生产、耕地保护等具有重要的意义。目前能够实现土壤重金属现场快速检测的技术有X射线诱导荧光和激光诱导击穿光谱技术(LIBS)。其中，激光诱导击穿光谱技术更加适用于对土壤重金属分析，可对土壤中重金属元素含量进行分析，具有分析速度快、样品分析准确度及精密度高等多种优点。

那么，如何找到激光诱导击穿光谱技术与土壤中重金属含量之间的映射关系，从而利用这种映射关系，能够简单、快速地进行土壤重金属检测已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中土壤重金属含量检测速度慢的缺陷，提供一种基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法，包括以下步骤：

土壤样本的获取和预处理，获取土壤样本并将其划分为训练样本和测试样本，使用光谱仪获取训练样本和测试样本的激光诱导击穿光谱数据；

构造基于堆叠式受限玻尔兹曼机深度学习技术的预测模型；

预测模型的无监督训练，将训练样本的激光诱导击穿光谱数据输入预测模型的堆叠式受限玻尔兹曼机构成的神经网络层，并分别对每一层的受限玻尔兹曼机进行无监督训练；

预测模型的有监督训练，将训练样本通过训练完成的堆叠式受限玻尔兹曼机提取的特征以及训练样本的土壤重金属含量输入预测模型的有监督人工神经网络层，对预测模型的有监督人工神经网络层进行有监督的训练；

土壤重金属含量的分析预测，将测试样本的激光诱导击穿光谱数据输入预测模型，完成对测试样本的土壤重金属含量的分析预测。

所述的构造基于堆叠式受限玻尔兹曼机深度学习技术的预测模型包括以下步骤：

设置神经网络结构为四层，前三层由三个受限玻尔兹曼机模型堆叠构成，第四层采用BP网络作为有监督人工神经网络层；

将训练样本的激光诱导击穿光谱数据作为第一层无监督神经网络层的输入，设置其隐藏层的输出为100个隐层单元；将100个隐层单元作为第二层无监督神经网络层的输入；第二层无监督神经网络层的输出作为第三层无监督人工神经网络层的输入；第三层无监督神经网络层的输出作为第四层有监督人工神经网络层的输入。

所述的预测模型的无监督训练包括以下步骤：

对于第一层无监督神经网络层，该层的受限玻尔兹曼机模型进行自学习的无监督训练，获得第一层无监督神经网络层中受限玻尔兹曼机模型的最优参数；

将第一层无监督神经网络层中受限玻尔兹曼机模型训练好的表征输出作为第二层无监督神经网络层中可见层的输入，进行该层的受限玻尔兹曼机模型进行自学习的无监督训练，通过对比调整设置可见层的节点、学习率以及参数；

将第二层无监督神经网络层中受限玻尔兹曼机模型训练好的表征输出作为第三层无监督神经网络层中可见层的输入，进行该层的受限玻尔兹曼机模型进行自学习的无监督训练，通过对比调整设置可见层的节点、学习率以及参数。

所述的受限玻尔兹曼机模型进行自学习的无监督训练包括以下步骤：

输入：训练样本x₀、隐层单元个数m、学习率ε、最大训练周期T；

输出：连接权重矩阵W、可见层的偏置向量a、隐层的偏置向量b；

初始化：可见层单元的初始状态v₁＝x₀，W、a、b为随机的较小数值；

对于每一次训练t(1,2,…,T)，均按以下处理：

对于所有的隐藏层单元(j＝1,2,…,m),计算

从条件分布P(h_1j|v₁)中抽取隐藏层的数据h_1j，其中h_1j为第一次隐藏层的第j个神经单元，w_ij为可见层第i个神经元和隐藏层第j个神经元的权重系数，v_1i为第一次可见层的第i个神经单元；