基于极限学习机利用可见-近红外光谱数据判别土壤类型的方法研究

发布时间：2021-04-28 12:57

　　为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325～1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。 

【文章来源】：土壤通报. 2020,51(03)北大核心CSCD

【文章页数】：6 页

【文章目录】：
1 材料与方法
    1.1 仪器设备
    1.2 样本采集与制备
    1.3 主成分分析原理
    1.4 极限学习机(Extreme Learning Machine,ELM)原理
    1.5 模型数据的预处理
2 结果与分析
    2.1 可见-近红外光谱分析
    2.2 主成分分析
    2.3 极限学习机模型结果与分析
    2.4 模型对比分析
3 讨论
4 结论


【参考文献】：
期刊论文
[1]基于人工神经网络模型的土壤分类方法[J]. 孟祥添,鲍依临,官海翔,钱磊.  现代农业科技. 2018(24)
[2]基于极限学习的深度学习算法[J]. 赵志勇,李元香,喻飞,易云飞.  计算机工程与设计. 2015(04)
[3]基于可见-近红外光谱和神经网络的土壤类型鉴别[J]. 马海姣,崔晨风.  江苏农业科学. 2014(04)
[4]近红外光谱结合ELM快速检测固态发酵过程参数pH值[J]. 刘国海,江辉,肖夏宏,张东娟,梅从立,丁煜函.  光谱学与光谱分析. 2012(04)
[5]基于近红外光谱和正交信号-偏最小二乘法对土壤的分类[J]. 宋海燕,秦刚,韩小平,刘海芹.  农业工程学报. 2012(07)
[6]近红外结合Si-ELM检测食醋品质指标[J]. 丁姣,蔡建荣,张海东,陈全胜.  食品与机械. 2012(01)
[7]一种有效的SVM参数优化选择方法[J]. 赵璐华,彭涛.  制造业自动化. 2010(09)
[8]极限学习机与支持向量机在储层渗透率预测中的对比研究[J]. 潘华贤,程国建,蔡磊.  计算机工程与科学. 2010(02)
[9]土壤质地分类的近红外光谱分析方法研究[J]. 曾庆猛,孙宇瑞,严红兵.  光谱学与光谱分析. 2009(07)
[10]基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J]. 吴桂芳,蒋益虹,王艳艳,何勇.  光谱学与光谱分析. 2009(05)

硕士论文
[1]极限学习机的研究与应用[D]. 甘露.西安电子科技大学 2014



本文编号：3165518