论文部分内容阅读
基于机器学习和深度学习的土壤元素含量光谱法建模是土壤化学成分检测的研究热点。为提高基于卷积神经网络的土壤元素含量光谱法建模的准确率, 提出了一种粒子群算法优化的卷积神经网络土壤氮元素含量光谱分析模型(PSO-CNN)。对土壤样本进行平滑及标准正态变换处理, 减小噪声对建模的影响, 设计适用于回归的卷积神经网络结构, 采用粒子群算法对设计的卷积神经网络的卷积核参数、学习率、迭代次数等超参数进行优化。可见/近红外光谱的波长范围为225~975nm, 对青岛地区的177组土壤样本的氮含量分析建模。建模结果表明, 相比偏最小二乘回归、卷积神经网络等建模方法, 提出的PSO-CNN建模方法具有更高的预测准确率, 测试集的决定系数为0.9707, 均方根误差为0.8818, 相对分析误差为5.88。