[发明专利]基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法

权利要求书

1.基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法，其特征在于，包括以下部分：

数据准备：

采集环境不同浓度铅胁迫农作物植株根和叶片样本的高光谱图像，分别对植株根和叶片ROI光谱进行预处理获得光谱数据集合S1和S2；分别从植株根和叶片的ROI中随机抽取n个平均光谱数据并进行预处理获得光谱数据集合S3和S4；同时标定样本中环境铅胁迫类别信息，形成铅胁迫类别标签集合L；

构建模型：

输入根和叶的光谱数据集合S1和S2，随机抽取的根和叶的光谱数据集合S3和S4，以及铅胁迫类别标签集合L；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,数据集合S3和S4被用来以无监督的方式预训练SAE网络；将光谱数据集合S1和S2分别作为预训练SAE网络的输入并进行网络参数的微调，分别完成根、叶片光谱数据与铅胁迫类别的深度学习模型SAE Model 1和SAE Model 2的构建；

对SAE Model 1和SAE Model 2模型网络层数是否相等进行判定，如果相同，直接进行T-SAE迁移学习；如果不相同，则需要对T-SAE迁移网络进行平移和扩展；

完成网络层数扩展后，完成根、叶片光谱数据和铅胁迫类别之间的T-SAE深度迁移学习模型构建，分别表示为T-SAE Model 1和T-SAE Model 2；T-SAE模型冻结网络的权重使用SAE模型的权重进行初始化，并使用来自目标域数据进行重新训练并实现参数微调，而T-SAE模型再训练网络中包含了新网络的深层特征层需要重新开始训练，包括再训练网络的权重随机初始化；

T-SAE Model 1模型迁移的方式为源域中预训练网络层的保存冻结状态，保留主模型中预训练网络层的权重，但未迁移源域中深度特征层；T-SAE Model 2模型迁移的方式为源域中输出层除外的网络层均保持冻结状态，保留主模型中预训练网络层和深度特征层的权重；此外，T-SAE Model 1和T-SAE Model 2均需要进行再训练以获得新网络的深度特征；

通过结合支持向量机算法，实现T-SAE Model 1和T-SAE Model 2逐层新网络的权重和偏置的确立，并通过对比T-SAE Model 1和T-SAE Model 2网络性能确立最佳的T-SAE深度迁移方案。

2.根据权利要求1所述的基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法，其特征在于，对T-SAE迁移网络进行平移和扩展的方法：

假设SAE Model 1网络层数为m，SAE Model 2网络层数为n，mn；为了保持T-SAE迁移学习过程中SAE Model 1和SAE Model 2网络层数相同，需要保持SAE Model 1网络的深度特征层参数不变的前提下，将SAE Model 1网络层数从m层扩展到n层。其核心计算方法为：以SAE Model 1网络从第k层扩展到第k+1层为例，第k+1层第i节点Y_i的计算公式如下：

其中，X_p为SAE Model 1网络第k层第p节点的值，ω_ij为SAE Model 1网络第k层第i节点到第k+1层第j节点的权重系数,b_ij为SAE Model 1网络第k层第i个节点到第k+1层的第j个节点的偏置，S_f为SAE Model 1网络的激活函数，i＝1,2,3,...,l；j＝1,2,3,...,l，l为SAEModel 1网络中深度特征层的节点数；

为保证SAE Model 1网络深度特征层参数不变，ω_ij取值和b_ij取值如下：

b_ij＝0

以SAE Model 1网络从第k层扩展到第k+1层的方法为参考，一直持续到将SAE Model 1网络层数从m层扩展到n层。