[发明专利]基于Elman神经网络模型的土壤重金属含量预测方法

权利要求书

1.一种基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，包括以下步骤：

11)样本数据的获取和预处理，将采集的土壤样本划分为训练样本和测试样本，利用LIBS技术获取训练样本中土壤的光谱数据形成训练数据，将训练数据分为标签数据和无标签数据；

12)构造基于堆栈自编码网络的Elman神经网络预测分析模型；

13)对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练，利用无标签数据对基于堆栈自编码网络的Elman神经网络预测分析模型的堆栈自编码网络进行无监督训练；

14)基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练，将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取，将已提取特征后预处理的标签数据和土壤重金属含量的历史数据输入基于堆栈自编码网络的Elman神经网络预测分析模型，对Elman神经网络预测分析模型进行有监督训练；

15)土壤重金属含量的预测分析，将土壤重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型中，完成对测试样本的土壤重金属含量的动态分析预测。

2.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述构造基于堆栈自编码网络改进的Elman神经网络预测分析模型包括以下步骤：

21)构建包括编码器和解码器的堆栈自编码网络，堆栈自编码网络包括多层神经网络模型，依次为一层输入层、多层隐藏层、一层输出层；

22)构建Elman神经网络，Elman神经网络依次包括输入层、隐藏层、作为输出层节点反馈的承接层和拥有动态回归神经网络模型的输出层；

23)将训练样本的无标签数据作为堆栈自编码网络第一层输入层的输入，堆栈自编码网络第一层输入层的输出作为第二层隐藏层的输入，上一层隐藏层的输出作为下一层隐藏层的输入，最后一层隐藏层的输出作为输出层的输入，堆栈自编码网络第一层输入层的隐层单元为n₁、第二层隐藏层的隐层单元为n₂、第三层隐藏层的隐层单元为n₃、第X层隐藏层的隐层单元为n_x、最后一层输出层的隐层单元为n_t；

24)将堆栈自编码网络最后一层输出层的的表征输出数据作为Elman神经网络输入层的输入；

25)将堆栈自编码网络和Elman神经网络堆叠形成基于堆栈自编码的Elman神经网络模型。

3.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练包括以下步骤：

31)获取无标签数据X＝{x₁,x₂,...,x_r}，将x_i∈R^n×1作为堆栈自编码网络的第i个输入向量，输入到具有d个神经元的编码器；编码器通过非线性激活函数f得到编码z_i∈R^d×1，其计算表达式如下：

z_i＝s_f(Wx_i+b₁)，

其中，W∈R^d×n是权重矩阵，b₁∈R^d×1是编码层偏置向量；

32)将z_i输入到解码器，得到解码结果其计算表达式如下：

其中，s_g为解码器的激活函数，W^T∈R^n×d是权重矩阵W的转置，b₂∈R^n×1是解码层偏置向量；

33)通过最小化重构与原始输入数据x_i,之间的误差代价进行特征提取，采用梯度下降法更新训练层与层之间的权值得到所提取的特征，使得之间的误差达到最小值，其代价函数如下：