[发明专利]基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法

摘要

本发明公开了基于SAE‑LSSVR农作物镉含量Vis‑NIR光谱深度特征模型建立方法，初始化堆叠自动编码器的权值矩阵W和偏移量b,将光谱数据集合S作为i层的输入；从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合，利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R2和均方根误差RMSE，并将m‑1赋值给m，当m＝0时，预测集合SPi最大决定系数Rp2对应的节点数mc为i+1层最优节点数；若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RBi和RBi+1满足条件：||RBi+1‑RBi||＜ε，ε为误差，且i大于等于2，寻找最优堆叠自动编码器层数，完成模型，本方法提供一种速度快、精度高的镉含量Vis‑NIR光谱深度模型建立方法。

主权项

1.基于SAE‑LSSVR农作物镉含量Vis‑NIR光谱深度特征模型建立方法，其特征在于，采集不同浓度镉胁迫的样本的高光谱图像，对所高光谱图像进行预处理获得光谱数据集合S；同时测量样本中镉含量信息，形成镉含量标签集合V；输入光谱数据集合S和镉含量标签集合V；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,将光谱数据集合S作为i层的输入；从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合，利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R²和均方根误差RMSE，并将m‑1赋值给m，当m＝0时，预测集合SP_i最大决定系数R_p²对应的节点数m_c为i+1层最优节点数；并将m_c、R_p²和R_p²对应的RMSEP进行存放；若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RB_i和RB_i+1满足条件：||RB_i+1‑RB_i||＜ε，ε为误差，且i大于等于2，寻找最优堆叠自动编码器层数，完成模型。