基于深度稀疏学习的土壤近红外光谱分析预测模型
Soil Near-infrared Spectroscopy Prediction Model Based on Deep Sparse Learning
查看参考文献27篇
|
文摘
|
提出一种基于深度稀疏学习的土壤近红外光谱分析预测模型。首先,使用稀疏特征学习方法对土壤近红外光谱数据进行约简,实现土壤近红外光谱内容的稀疏表示;然后采用径向基函数神经网络以稀疏表示特征系数为输入,以所测土壤成分为输出,分别建立土壤有机质、速效磷、速效钾的非线性预测模型。 结果表明用该模型预测土壤有机质的含量是可行的,但对土壤速效磷和速效钾含量的预测还需对模型做进一步的优化。 |
|
其他语种文摘
|
This paper presents a soil near-infrared spectroscopy prediction model based on sparse representation and radial basis function neural. The model first makes the soil near-infrared large spectroscopy data to be sparse, then the model uses radial basis function neural network with sparse representation coefficients as input and the measured soil composition value by chemical methods as output to establish effective nonlinear predictive model of soil organic matter, available phosphorus and potassium respectively. The results show that the model is feasible to predict soil organic matter content,but the model needs to be further optimized on the soil phosphorus or potassium effective prediction. |
|
来源
|
发光学报
,2017,38(1):109-116 【核心库】
|
|
DOI
|
10.3788/fgxb20173801.0109
|
|
关键词
|
土壤近红外光谱
;
深度稀疏学习
;
神经网络模型
|
|
地址
|
中国科学院合肥智能机械研究所, 安徽, 合肥, 230031
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-7032 |
|
学科
|
数学 |
|
基金
|
中国科学院科技服务网络计划
;
国家自然科学基金
|
|
文献收藏号
|
CSCD:5897265
|
参考文献 共
27
共2页
|
|
1.
隋方功.
土壤农化分析实验,2004
|
被引
9
次
|
|
|
|
|
2.
陆婉珍.
现代近红外光谱分析技术.(2版),2007
|
被引
75
次
|
|
|
|
|
3.
褚小立. 近五年我国近红外光谱分析技术研究与应用进展.
光谱学与光谱分析,2014,34(10):2595-2605
|
被引
68
次
|
|
|
|
|
4.
He Y. Prediction of soil macronutrients content using near-infrared spectroscopy.
Comput. Electron. Agric,2007,58(2):144-153
|
被引
14
次
|
|
|
|
|
5.
鲍一丹. 土壤的光谱特征及氮含量的预测研究.
光谱学与光谱分析,2001,27(1):62-65
|
被引
1
次
|
|
|
|
|
6.
朱登胜. 应用近红外光谱法测定土壤的有机质和pH值.
农业工程学报,2008,24(6):196-199
|
被引
33
次
|
|
|
|
|
7.
李伟. 近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量.
农业工程学报,2007,23(1):55-59
|
被引
36
次
|
|
|
|
|
8.
Mouazen A M. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy.
Geoderma,2010,158(1/2):23-31
|
被引
47
次
|
|
|
|
|
9.
许禄.
化学计量学方法.(2版),2004
|
被引
1
次
|
|
|
|
|
10.
褚小立.
化学计量学方法与分子光谱分析技术,2011
|
被引
130
次
|
|
|
|
|
11.
蒋宗礼.
人工神经网络导论,2001:8
|
被引
5
次
|
|
|
|
|
12.
申富饶(译).
神经网络与机器学习.(3版),2011:3
|
被引
1
次
|
|
|
|
|
13.
牛晓颖. 基于BP-ANN的草莓品种近红外光谱无损鉴别方法研究.
光谱学与光谱分析,2012,32(8):2095-2099
|
被引
10
次
|
|
|
|
|
14.
Qu Z H. Prediction of lignin content of manchurian walnut by BP neural network and near-infrared spectros-copy.
Adv. Mater. Res,2011,267:991-994
|
被引
1
次
|
|
|
|
|
15.
郑立华. 基于近红外光谱技术的土壤参数BP神经网络预测.
光谱学与光谱分析,2008,28(5):1160-1164
|
被引
32
次
|
|
|
|
|
16.
Vesanto J. Clustering of the self-organizing map.
IEEE Trans. Neural Netw,2000,11(3):586-600
|
被引
56
次
|
|
|
|
|
17.
Kohonen T. Essentials of the self-organizing map.
Neural Netw,2013,37:52-65
|
被引
26
次
|
|
|
|
|
18.
Creput J C. Self-organizing maps in population based metaheuristic to the dynamic vehicle routing problem.
J. Comb. Optim,2012,24(4):437-458
|
被引
2
次
|
|
|
|
|
19.
Ballabio D. A MATLAB toolbox for self organizing maps and supervised neural network learning strategies.
Chemom. Intell. Lab. Syst,2012,118:24-32
|
被引
7
次
|
|
|
|
|
20.
Huang G B. A generalized growing and pruning RBF (GGAP-RBF) neu-ral network for function approximation.
IEEE Trans. Neural Netw,2005,16(1):57-67
|
被引
59
次
|
|
|
|
|
了解气象卫星更多信息，请访问