為了實(shí)現(xiàn)土壤類型的快速無損識(shí)別,提出了一種利用可見-近紅外光譜、基于極限學(xué)習(xí)機(jī)的土壤類型鑒別方法。首先,獲取4種不同類型土壤的320個(gè)樣本波長(zhǎng)在325～1075 nm范圍內(nèi)的可見-近紅外光譜數(shù)據(jù);其次,用主成分分析的數(shù)學(xué)方法對(duì)數(shù)據(jù)進(jìn)行降維處理,最終提取了三個(gè)主成分來代表原光譜數(shù)據(jù);再次,將320個(gè)樣本的數(shù)據(jù)隨機(jī)分為測(cè)試集和預(yù)測(cè)集兩個(gè)部分,建立極限學(xué)習(xí)機(jī)模型,利用該模型對(duì)土壤類型進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,將極限學(xué)習(xí)機(jī)應(yīng)用于土壤類型的識(shí)別精度可達(dá)100%,其訓(xùn)練速度和泛化性優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī),能夠快速、準(zhǔn)確、無損鑒別土壤類型,使用方便,具有推廣價(jià)值。 

【文章來源】：土壤通報(bào). 2020,51(03)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 材料與方法
    1.1 儀器設(shè)備
    1.2 樣本采集與制備
    1.3 主成分分析原理
    1.4 極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)原理
    1.5 模型數(shù)據(jù)的預(yù)處理
2 結(jié)果與分析
    2.1 可見-近紅外光譜分析
    2.2 主成分分析
    2.3 極限學(xué)習(xí)機(jī)模型結(jié)果與分析
    2.4 模型對(duì)比分析
3 討論
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)模型的土壤分類方法[J]. 孟祥添,鮑依臨,官海翔,錢磊.  現(xiàn)代農(nóng)業(yè)科技. 2018(24)
[2]基于極限學(xué)習(xí)的深度學(xué)習(xí)算法[J]. 趙志勇,李元香,喻飛,易云飛.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(04)
[3]基于可見-近紅外光譜和神經(jīng)網(wǎng)絡(luò)的土壤類型鑒別[J]. 馬海姣,崔晨風(fēng).  江蘇農(nóng)業(yè)科學(xué). 2014(04)
[4]近紅外光譜結(jié)合ELM快速檢測(cè)固態(tài)發(fā)酵過程參數(shù)pH值[J]. 劉國(guó)海,江輝,肖夏宏,張東娟,梅從立,丁煜函.  光譜學(xué)與光譜分析. 2012(04)
[5]基于近紅外光譜和正交信號(hào)-偏最小二乘法對(duì)土壤的分類[J]. 宋海燕,秦剛,韓小平,劉海芹.  農(nóng)業(yè)工程學(xué)報(bào). 2012(07)
[6]近紅外結(jié)合Si-ELM檢測(cè)食醋品質(zhì)指標(biāo)[J]. 丁姣,蔡建榮,張海東,陳全勝.  食品與機(jī)械. 2012(01)
[7]一種有效的SVM參數(shù)優(yōu)化選擇方法[J]. 趙璐華,彭濤.  制造業(yè)自動(dòng)化. 2010(09)
[8]極限學(xué)習(xí)機(jī)與支持向量機(jī)在儲(chǔ)層滲透率預(yù)測(cè)中的對(duì)比研究[J]. 潘華賢,程國(guó)建,蔡磊.  計(jì)算機(jī)工程與科學(xué). 2010(02)
[9]土壤質(zhì)地分類的近紅外光譜分析方法研究[J]. 曾慶猛,孫宇瑞,嚴(yán)紅兵.  光譜學(xué)與光譜分析. 2009(07)
[10]基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J]. 吳桂芳,蔣益虹,王艷艷,何勇.  光譜學(xué)與光譜分析. 2009(05)

碩士論文
[1]極限學(xué)習(xí)機(jī)的研究與應(yīng)用[D]. 甘露.西安電子科技大學(xué) 2014



本文編號(hào)：3165518