光譜已經(jīng)應(yīng)用于土壤養(yǎng)分速測(cè)的分析,但是如何尋找土壤光譜特征波段,盡最大可能避免無用信息干擾、保留有用信息,建立準(zhǔn)確度高、預(yù)測(cè)效果好的模型仍是一個(gè)亟需解決的問題。以青島三個(gè)不同地區(qū)土壤樣品為例,測(cè)定土壤樣品的紫外-可見-近紅外光譜及其總碳（TC）、總氮（TN）、總磷（TP）含量;分別采用連續(xù)投影算法（SPA）、無信息變量消除法（UVE）、遺傳算法（GA）、相關(guān)系數(shù)法（CC）四種算法（四種單分類器）對(duì)土壤光譜提取特征波長(zhǎng);再引入投票法和加權(quán)投票法的多分類器融合方法將四種算法融合得到特征波長(zhǎng);以偏最小二乘回歸（PLSR）建立各土壤養(yǎng)分含量的模型,通過對(duì)模型效果的評(píng)價(jià)標(biāo)準(zhǔn)（建模集絕對(duì)系數(shù)R■、校正均方根誤差RMSEC、檢驗(yàn)集絕對(duì)系數(shù)R■、預(yù)測(cè)均方根誤差RMSEP和相對(duì)分析誤差RPD值）來判別各單分類器算法和多分類器融合算法對(duì)土壤養(yǎng)分含量特征波長(zhǎng)的提取效果。分別對(duì)四種算法、篩選其中三種算法、最優(yōu)二種算法進(jìn)行融合,分析融合后模型效果和特征波長(zhǎng)個(gè)數(shù),結(jié)果表明:將四種單分類器經(jīng)投票法融合后,其模型效果大部分不如單分類器,且相對(duì)好的模型特征波長(zhǎng)個(gè)數(shù)較多;相較于投票法多分類器融合,四種單分類器經(jīng)加權(quán)投票法... 

【文章來源】：光譜學(xué)與光譜分析. 2019,39(09)北大核心EISCICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

圖１土壤樣品光譜測(cè)量示意圖Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｏｉｌｓａｍｐｌｅｓ

光譜，保留２２６～９７５ｎｍ的光譜數(shù)據(jù)，見圖２。圖１土壤樣品光譜測(cè)量示意圖Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｏｉｌｓａｍｐｌｅｓｓｐｅｃｔｒａｌｍｅａｓｕｒｅｍｅｎｔ１．３特征波長(zhǎng)提取算法采用連續(xù)投影算法（ＳＰＡ）［７］、無信息變量消除算法（ＵＶＥ）［８］、遺傳算法（ＧＡ）［９］、相關(guān)系數(shù)法（ＣＣ）［１０］，其中相關(guān)系數(shù)法設(shè)置其閾值為≥０．５。本文各單分類器算法均在ｍａｔｌａｂＲ２０１５ｂ中實(shí)現(xiàn)。圖２土壤樣品反射光譜曲線圖Ｆｉｇ．２Ｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｏｆｓｏｉｌｓａｍｐｌｅｓ１．４多分類器融合多分類器融合是以投票法和加權(quán)投票法對(duì)多種特征提取方法進(jìn)行融合，得到最終的決策結(jié)果。１．４．１投票法融合投票法是對(duì)光譜的各波長(zhǎng)進(jìn)行統(tǒng)計(jì)，每種單分類器（即一種特征波長(zhǎng)算法）對(duì)全光譜波長(zhǎng)的篩選都作為對(duì)該波長(zhǎng)投一票，統(tǒng)計(jì)各波長(zhǎng)的投票個(gè)數(shù)。設(shè)第ｍ個(gè)波長(zhǎng)點(diǎn)在第ｎ個(gè)分類器的投票數(shù)為Ｂｎｍ，共有Ｎ個(gè)分類器，第ｍ個(gè)波長(zhǎng)點(diǎn)的投票總數(shù)為Ｔｍ，其中ｍ＝１，２，…，Ｍ。Ｔｍ＝∑Ｎｎ＝１Ｂｎｍ（１）根據(jù)實(shí)際需求選�。裕怼荩氲娜坎ㄩL(zhǎng)點(diǎn)（ｋ＝１，２，…，Ｎ）作為光譜特征波長(zhǎng)，即為融合結(jié)果。１．４．２加權(quán)投票法融合加權(quán)投票法是在投票法基礎(chǔ)之上，根據(jù)每個(gè)單分類器輸出結(jié)果的好壞來對(duì)其賦予不同的權(quán)值［１０－１１］。本文根據(jù)每種算法獲取的特征波長(zhǎng)建立模型的效果來進(jìn)行評(píng)價(jià)，按照各算法的評(píng)價(jià)結(jié)果對(duì)單分類器賦權(quán)值αｉ，

【參考文獻(xiàn)】：
期刊論文
[1]近紅外光譜和多分類器融合的葡萄酒品種判別研究[J]. 李凱,李雪瑩,欒麗麗,胡文雁,王宇恒,李景明,李軍會(huì),勞彩蓮,趙龍蓮.  光譜學(xué)與光譜分析. 2016(11)



本文編號(hào)：3549040