[发明专利]一种基于深度学习技术的土壤近红外光谱分析预测方法有效
申请号: | 201610416869.3 | 申请日: | 2016-06-07 |
公开(公告)号: | CN106124449B | 公开(公告)日: | 2019-03-05 |
发明(设计)人: | 王儒敬;陈天娇;谢成军;张洁;李瑞;陈红波;宋良图;汪玉冰 | 申请(专利权)人: | 中国科学院合肥物质科学研究院 |
主分类号: | G01N21/359 | 分类号: | G01N21/359;G01N21/3563;G06N3/04;G06N3/08 |
代理公司: | 合肥天明专利事务所(普通合伙) 34115 | 代理人: | 张祥骞;奚华保 |
地址: | 230031 安徽*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明涉及一种基于深度学习技术的土壤近红外光谱分析预测方法,与现有技术相比解决了无法对土壤成分进行大批量综合分析的缺陷。本发明包括以下步骤:训练样本的获取和预处理;构造基于深度学习的预测模型;测试样本的获取和预处理;将预处理过的测试样本的光谱数据输入构造的预测模型,完成对测试样本土壤成分含量的分析预测;将测试土壤样本采用梅尔域的滤波带系数作为参数,变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。本发明基于卷积神经网络的结构模型来进行土壤近红外光谱分析预测,提高了近红外光谱土壤主要成分预测的精度和模型的鲁棒性。 | ||
搜索关键词: | 一种 基于 深度 学习 技术 土壤 红外 光谱分析 预测 方法 | ||
【主权项】:
1.一种基于深度学习技术的土壤近红外光谱分析预测方法,其特征在于,包括以下步骤:11)训练样本的获取和预处理,使用光谱仪获取训练样本土壤集的光谱数据,对获取的光谱数据进行预处理,得到若干个训练样本;12)构造基于深度学习的预测模型;所述的构造基于深度学习的预测模型包括以下步骤:121)将训练土壤样本的光谱信号看作二维特征输入,将波数构成的特征作为第一维特征,将频域构成的特征作为第二维特征;在频域维度上采用梅尔域的滤波带系数作为参数,选择N个滤波频带,按照土壤成分含量设定标签,把预处理好的训练样本土壤集随机排序后输入卷积神经网络;所述的卷积神经网络为采用基于LeNet‑5模型改进的卷积神经网络,其向前传播阶段包括以下步骤:1211)第一个特征提取阶段,输入层‑c1层‑s2层;输入训练土壤样本的光谱数据的二维波谱表示,经过5*5大小的卷积核运算,再经过子采样处理,缩放为原来的1/2;1212)第二个特征提取阶段,s2层‑s4层;输入s2层的二维光谱特征数据经过5*5的卷积核运算,再经过子采样处理,缩放为原来的1/2;1213)第三个特征提取阶段,s4层‑c5层;网络层c5为由120个特征图组成的卷积层,每个神经元与s4网络层的所有特征图的5*5大小的邻域相连接;1214)分析预测,c5层‑输出层;c5层到输出层采用全连接的方式,使用c5层的120维向量进行预测分类;122)采用反向传播方法对整个网络进行全局训练,优化网络参数;误差反向传播算法进行反向传播,反向更新权值和卷积核,从而得到训练好的卷积神经网络;13)测试样本的获取和预处理;使用光谱仪获取测试土壤样本的光谱数据,对测试样本土壤扫描40次取平均值;对测试样本土壤采用与训练样本相同的光谱数据预处理方法,得到测试土壤样本;14)将预处理过的测试样本的光谱数据输入构造的预测模型,完成对测试样本土壤成分含量的分析预测;将测试土壤样本采用梅尔域的滤波带系数作为参数,变成二维特征输入训练好的卷积神经网络进行土壤成分含量的分析预测。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
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中国科学院合肥物质科学研究院,未经中国科学院合肥物质科学研究院许可,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/patent/201610416869.3/,转载请声明来源钻瓜专利网。