土壤成分信息的獲取技術(shù),是開展測(cè)土配方施肥項(xiàng)目、研究作物生長(zhǎng)規(guī)律的基礎(chǔ),對(duì)土地資源的有效管理利用、種植業(yè)的精細(xì)化運(yùn)營(yíng)都具有重要的作用。近紅外光譜分析是一種利用物質(zhì)的光譜特征鑒別物質(zhì)品種或定量分析物質(zhì)化學(xué)組分的技術(shù),具有非接觸式測(cè)量、多組分同時(shí)預(yù)測(cè)、使用成本低廉等優(yōu)點(diǎn)。將近紅外光譜分析技術(shù)應(yīng)用在土壤成分信息的獲取中,能夠大量減少土壤信息獲取的成本,促進(jìn)測(cè)土配方施肥及精準(zhǔn)農(nóng)業(yè)的進(jìn)步。使用近紅外光譜分析方法獲取土壤成分信息的關(guān)鍵在于建立土壤近紅外光譜和土壤成分的關(guān)系。大面積、大尺度下的土壤樣本具有高度的多樣性,為實(shí)現(xiàn)土壤成分信息的準(zhǔn)確預(yù)測(cè),課題研究了統(tǒng)計(jì)學(xué)習(xí)方法在建模中的應(yīng)用,探討了線性模型的預(yù)測(cè)效果及影響因素,并提出兩種新的基于神經(jīng)網(wǎng)絡(luò)的非線性模型。主要研究?jī)?nèi)容和結(jié)論如下:1.基于線性模型的土壤有機(jī)碳含量預(yù)測(cè)。多元線性回歸、主成分回歸、偏最小二乘回歸和逐步回歸是常用的線性校正模型。此研究比較了使用這四種線性模型對(duì)大面積、大尺度的土壤數(shù)據(jù)集進(jìn)行建模的預(yù)測(cè)效果,分析了模型輸入采用原始光譜或?qū)?shù)光譜、光譜曲線使用不同的采樣間隔、校正樣本數(shù)目等因素對(duì)線性模型預(yù)測(cè)結(jié)果的影響,揭示了光譜預(yù)處理方式對(duì)預(yù)... 

【文章來源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：96 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 存在問題和研究方向
    1.3 研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 光譜分析及預(yù)測(cè)建模的相關(guān)研究基礎(chǔ)
    2.1 近紅外光漫反射檢測(cè)原理
    2.2 化學(xué)模式識(shí)別的概念與應(yīng)用
    2.3 近紅外光譜預(yù)測(cè)建模方法
    2.4 神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)
        2.4.1 神經(jīng)網(wǎng)絡(luò)模型原理
        2.4.2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練
    2.5 本章小結(jié)
第3章 線性模型及光譜預(yù)處理方法
    3.1 引言
    3.2 線性校正模型
        3.2.1 多元線性回歸模型
        3.2.2 主成分回歸模型
        3.2.3 偏最小二乘回歸模型
        3.2.4 逐步回歸模型
    3.3 光譜預(yù)處理方法
    3.4 實(shí)驗(yàn)與分析
        3.4.1 LUCAS土壤數(shù)據(jù)集介紹
        3.4.2 實(shí)驗(yàn)方法
        3.4.3 光譜導(dǎo)數(shù)對(duì)預(yù)測(cè)性能的影響
        3.4.4 PCR和PLSR的成分?jǐn)?shù)對(duì)預(yù)測(cè)性能的影響
        3.4.5 光譜采樣間隔和樣本數(shù)量對(duì)預(yù)測(cè)性能的影響
    3.5 本章小結(jié)
第4章 改進(jìn)自動(dòng)編碼器模型及有機(jī)質(zhì)含量等級(jí)預(yù)測(cè)
    4.1 引言
    4.2 自動(dòng)編碼器模型
    4.3 改進(jìn)自動(dòng)編碼器模型
        4.3.1 模型設(shè)計(jì)思路
        4.3.2 改進(jìn)自動(dòng)編碼器的實(shí)現(xiàn)
        4.3.3 損失函數(shù)的定義
        4.3.4 多類分類模型的評(píng)價(jià)
    4.4 實(shí)驗(yàn)與分析
        4.4.1 土壤數(shù)據(jù)集及處理
        4.4.2 實(shí)驗(yàn)方法
        4.4.3 光譜曲線特征
        4.4.4 基于改進(jìn)自動(dòng)編碼器的結(jié)果
        4.4.5 不同建模方法性能對(duì)比
    4.5 本章小結(jié)
第5章 基于卷積神經(jīng)網(wǎng)絡(luò)的土壤成分預(yù)測(cè)
    5.1 引言
    5.2 深度學(xué)習(xí)與表示學(xué)習(xí)
    5.3 深度卷積神經(jīng)網(wǎng)絡(luò)
        5.3.1 卷積神經(jīng)網(wǎng)絡(luò)
        5.3.2 深度卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        5.3.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    5.4 實(shí)驗(yàn)與分析
        5.4.1 實(shí)驗(yàn)方法
        5.4.2 光譜曲線特征
        5.4.3 模型預(yù)測(cè)結(jié)果及評(píng)價(jià)
        5.4.4 討論
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要工作及成果
    6.2 創(chuàng)新點(diǎn)
    6.3 研究展望
參考文獻(xiàn)
附錄 基于批量梯度下降法的多層感知器訓(xùn)練算法
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果



本文編號(hào)：3158361