[发明专利]GA-BP神经网络模型的训练方法及终端设备在审
申请号: | 201810890341.9 | 申请日: | 2018-08-07 |
公开(公告)号: | CN109299779A | 公开(公告)日: | 2019-02-01 |
发明(设计)人: | 胡月明;刘振华;赵理;周悟 | 申请(专利权)人: | 华南农业大学 |
主分类号: | G06N3/02 | 分类号: | G06N3/02;G01N21/25 |
代理公司: | 佛山市广盈专利商标事务所(普通合伙) 44339 | 代理人: | 李俊 |
地址: | 510642 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 样本 土壤 光谱反射率曲线 遗传算法 终端设备 神经网络模型 特征波段选取 光谱反射率 含量预测 特征波段 样本数据 重金属汞 含汞量 构建 预测 | ||
1.一种用于重金属汞含量预测的GA-BP神经网络模型的训练方法,其特征在于,所述方法包括:
对样本土壤进行含汞量的测定处理,获得样本土壤含汞量的样本数据集;
对样本土壤进行光谱反射率处理,获得处理后的样本土壤的光谱反射率曲线;
根据所述样本土壤含汞量的样本数据集和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理,获得样本土壤的特征波段;
构建BP神经网络模型;
将所述样本土壤的特征波段输入BP神经网络模型中进行训练,直至所述BP神经网络模型收敛;
判断收敛的BP神经网络模型的预测值与实测值的均方误差是否大于或等于判断阈值;
若是,基于实数编码法将所述BP神经网络模型中的初始的权值和阈值转化为遗传算法中的染色体,基于所述染色体随机生成遗传种群;
将收敛的BP神经网络模型的预测值和实测值之间的误差绝对值之和,作为遗传种群个体适应度值;
对所述遗传种群个体适应度值求倒数,获取遗传种群适应度值的倒数;
对所述遗传种群适应度值的倒数依次进行轮盘赌选择、实数交叉和变异进化操作处理,获取新一代训练数据;
将所述新一代训练数据输入所述收敛的BP神经网络模型进行训练,直至收敛的BP神经网络模型的预测值与实测值的均方误差小于判断阈值。
2.根据权利要求1所述的训练方法,其特征在于,所述对样本土壤进行含汞量的测定处理,获得样本土壤含汞量的样本数据集,包括:
称取0.2g样本土壤,并对对所述0.2g样本土壤进行消解,获得消解溶液;
基于冷原子吸收法对所述消解溶液进行含汞量的测定处理,获得样本土壤含汞量的样本数据集。
3.根据权利要求1所述的训练方法,其特征在于,所述对样本土壤进行光谱反射率处理,获得处理后的样本土壤的光谱反射率曲线,包括:
对样本土壤进行光谱反射率进行测定,获取样本土壤的原始光谱反射率的曲线;
基于Savitzky-Golay平滑算法对原始光谱反射率的曲线进行平滑处理,获取平滑后的光谱反射率曲线;
分别对所述平滑后的光谱反射率曲线进行连续统去除处理、一阶微分处理和倒数对数处理,获得处理后的样本土壤的光谱反射率曲线;
其中,所述处理后的样本土壤的光谱反射率曲线包括:光谱反射率连续统去除曲线、光谱反射率一阶微分曲线和光谱反射率倒数对数曲线。
4.根据权利要求1所述的训练方法,其特征在于,所述根据所述样本土壤含汞量的样本数据集和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理,获得样本土壤的特征波段,包括:
基于Pearson相关系数分析所述样本土壤的光谱反射率曲线与所述样本土壤含汞量的样本数据集之间的相关性,获取相关系数;
基于所述相关系数,选取相关系数高且显著性水平P=0.01出以上的波段作为样本土壤的特征波段;
其中,基于Pearson相关系数分析所述样本土壤的光谱反射率曲线与所述样本土壤含汞量的样本数据集之间的相关性的公式如下:
其中,rxy表示样本土壤的光谱反射率曲线与样本土壤含汞量的样本数据集之间相关性系数,xa表示第a个波段的样本土壤的光谱反射率曲线值,ya表示第a个样本土壤含汞量,表示样本土壤的光谱反射率曲线值的平均值,表示样本土壤含汞量的平均值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南农业大学,未经华南农业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810890341.9/1.html,转载请声明来源钻瓜专利网。