CN111598460A - 土壤重金属含量的监测方法、装置、设备及存储介质 - Google Patents
土壤重金属含量的监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111598460A CN111598460A CN202010423334.5A CN202010423334A CN111598460A CN 111598460 A CN111598460 A CN 111598460A CN 202010423334 A CN202010423334 A CN 202010423334A CN 111598460 A CN111598460 A CN 111598460A
- Authority
- CN
- China
- Prior art keywords
- soil
- monitoring
- primary
- monitoring model
- heavy metal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及土壤分析技术领域,公开了一种土壤重金属含量的监测方法、装置、设备及存储介质,所述方法包括:获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。通过对基于土壤数据集建立的初阶监测模型进行训练,以提高目标监测模型对土壤重金属含量的监测精度和监测速度,弥补传统技术对土壤重金属含量监测精度和监测速度上的不足,也减少了人力物力上的经济支出。
Description
技术领域
本发明涉及土壤分析技术领域,尤其涉及一种土壤重金属含量的监测方法、装置、设备及存储介质。
背景技术
随着工业活动的发展,难免会将重金属带入到土壤中,致使土壤中重金属含量明显高于标准值,并造成现存的或潜在的土壤质量退化、生态与环境恶化等现象的发生,而铅、镉、汞、砷等重金属,通过大气、水、食品等进入人体,在人体某些器官内积累,造成慢性中毒,危害了人体健康。在预防、监测、治理土壤重金属污染过程中,检测土壤重金属含量是一个非常重要的环节。但是现有重金属的定量检测分析技术所需仪器较为复杂,且土壤样品前期处理步骤过于繁琐,无法实现对土壤重金属的快速监测,监测精度也得不到保障,因此,如何提高土壤重金属含量的监测精度和监测速度,成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种土壤重金属含量的监测方法、装置、设备及存储介质,旨在解决如何提高土壤重金属含量的监测精度和监测速度的技术问题。
为实现上述目的,本发明提供了一种土壤重金属含量的监测方法,所述方法包括以下步骤:
获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
优选地,所述获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集的步骤,具体包括:
获取预设区域的土壤原始样本,通过光谱仪获取所述土壤原始样本的激光诱导击穿光谱数据;
对所述激光诱导击穿光谱数据进行归一化处理,获得土壤数据集。
优选地,所述基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型的步骤,具体包括:
对所述土壤数据集进行聚类分析,获得初阶中心点与初阶宽度向量;
通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值;
基于所述初阶中心点、所述初阶宽度向量、所述初阶权值以及初阶阈值建立初阶监测模型;
对所述初阶监测模型进行训练,获得目标监测模型。
优选地,所述通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值的步骤,具体包括:
基于预设粒子群优化算法,根据所述土壤数据集生成大种群,并基于所述大种群生成小种群;
通过预设适应度规则将所述小种群中适应度最大的个体作为小种群最优个体;
获取所述小种群最优个体对应的目标适应度;
对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群;
通过所述预设适应度规则将所述迭代后的大种群中适应度最大的个体的作为大种群最优个体;
将所述大种群最优个体对应的权值作为初阶权值,将所述大种群最优个体对应的阈值作为初阶阈值。
优选地,所述对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群的步骤,具体包括:
基于预设粒子速度算法对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群。
优选地,所述基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型的步骤,具体包括:
基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行无监督训练,获得土壤特征数据;
基于所述土壤特征数据对所述初阶监测模型进行有监督训练,并实时计算所训练的初阶监测模型的监测精度;
在所述监测精度符合预设精度标准时,将训练后的初阶监测模型作为目标监测模型。
优选地,所述基于所述土壤特征数据对所述初阶监测模型进行有监督训练的步骤之前,还包括:
通过预设训练规则对所述土壤特征数据进行迭代处理,获得目标土壤特征数据;
相应地,所述基于所述土壤特征数据对所述初阶监测模型进行有监督训练的步骤,具体包括:
基于所述目标土壤特征数据对所述初阶监测模型进行有监督训练。
此外,为实现上述目的,本发明还提出一种土壤重金属含量的监测装置,所述装置包括:
数据采集模块,用于获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
模型构建模块,用于基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
含量监测模块,用于输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
此外,为实现上述目的,本发明还提出一种土壤重金属含量的监测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤重金属含量的监测程序,所述土壤重金属含量的监测程序配置为实现如上文所述的土壤重金属含量的监测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有土壤重金属含量的监测程序,所述土壤重金属含量的监测程序被处理器执行时实现如上文所述的土壤重金属含量的监测方法的步骤。
本发明通过获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量,提高了目标监测模型对土壤重金属含量的监测精度和监测速度,弥补了传统技术对土壤重金属含量监测精度和监测速度上的不足,也减少了人力物力上的经济支出。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的土壤重金属含量的监测设备的结构示意图;
图2为本发明土壤重金属含量的监测方法第一实施例的流程示意图;
图3为本发明土壤重金属含量的监测方法第二实施例的流程示意图;
图4为本发明土壤重金属含量的监测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的土壤重金属含量的监测设备结构示意图。
如图1所示,该土壤重金属含量的监测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对土壤重金属含量的监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及土壤重金属含量的监测程序。
在图1所示的土壤重金属含量的监测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明土壤重金属含量的监测设备中的处理器1001、存储器1005可以设置在土壤重金属含量的监测设备中,所述土壤重金属含量的监测设备通过处理器1001调用存储器1005中存储的土壤重金属含量的监测程序,并执行本发明实施例提供的土壤重金属含量的监测方法。
本发明实施例提供了一种土壤重金属含量的监测方法,参照图2,图2为本发明土壤重金属含量的监测方法第一实施例的流程示意图。
本实施例中,所述土壤重金属含量的监测方法包括以下步骤:
步骤S10:获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
易于理解的是,本实施例可先获取所述预设区域的土壤原始样本,并记录所述原始样本的指标信息,所述指标信息可为所述预设区域的对应采样点的经度、纬度、海拔、所属功能区(如农业用地、工业用地等)等指标信息,在获得上述指标信息后,对所述指标信息进行归一化处理,获得土壤数据集。在具体实现中,所处土壤原始样本还可分为训练样本和监测样本,所述训练样本包含上述指标信息以及对应的土壤重金属含量信息,而所述监测样本来自待检测的目标区域,仅包含上述指标信息,则可通过对基于所述训练样本生成的土壤数据集所建立的初阶监测模型进行训练以实现对所述监测样本的土壤重金属含量的监测。
在另一种实施方式中,本实施例还可先获取预设区域的土壤原始样本,通过光谱仪获取所述土壤原始样本的激光诱导击穿光谱数据,再对所述激光诱导击穿光谱数据进行归一化处理,获得土壤数据集。具体可为:获取若干类含有不同浓度的待测金属元素的土壤原始样本,并设置相应的分类标签,每类土壤原始样本具有若干个样品,在每个土壤原始样本上利用激光诱导击穿光谱技术采集若干个点的光谱图像,将每个点的光谱图像转化成与波长对应的数据,基于所述数据构建特征矩阵,获得土壤数据集,并将所述土壤数据集划分成训练集和监测集,再将所述训练集和所述监测集及相应的分类标签输入至深度神经网络模型,建立初阶监测模型。所述训练集和所述监测集具体可根据实际需求进行划分,本实施例对此不加以限制。
步骤S20:基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
需要说明的是,本实施例基于径向基函数神经网络(Radial Basis FunctionNeural Networks,RBF NN),先基于所述土壤数据集建立初阶监测模型,再对所述初阶监测模型进行无监督训练,具体可由径向基函数神经网络的输入层输入,分别经过隐含层、输出层的处理后输出土壤特征数据,在具体实现中,先进行所述输入层的无监督训练,通过对比调整设置所述土壤特征数据,再将训练好的土壤特征数据输出,作为无监督神经网络层中隐含层的输入,进行该层的无监督训练以实现从输入层到隐含层,并且在隐含层发生非线性转变,再以线性的形式传递到输出层,通过对比调整设置可见层的土壤特征数据以实现对径向基函数神经网络的前向计算,再基于所述土壤特征数据对所述初阶监测模型进行有监督训练,由此,将训练样本输入至无监督神经网络层,通过神经网络结构训练完成对土壤特征数据的提取,将提取的土壤特征数据和训练样本对应的土壤重金属含量输入所述初阶监测模型中有监督人工神经网络层,进行有监督的训练。
在另一种实施方式中,在基于所述土壤特征数据对所述初阶监测模型进行有监督训练之前,本实施还可基于均方根传递(Root Mean Square propagation,RMSprop)算法,通过预设训练规则对所述土壤特征数据进行迭代处理,获得目标土壤特征数据,再基于所述目标土壤特征数据对所述初阶监测模型进行有监督训练,所述目标土壤特征参数可为对所述土壤特征数据进行迭代处理时的学习率,并通过学习率对梯度值下降过程中的梯度值进行调整,所述学习率具体可通过以下公式进行确定,
st=t-1+bs(gt)
式中,abs为取绝对值,gt为第t次迭代处理时的梯度值,gt-1为第t-1次迭代处理时的梯度值,st为迭代处理t次时梯度值的累计值,st-1为迭代处理t-1次时梯度值的累计值,μ为迭代处理第t次时的学习率,μ0为所述学习率的初始值。
步骤S30:输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
易于理解的是,本实施例可将目标区域的土壤基础数据输入至所述目标监测模型的神经网络结构训练完成对土壤特征数据的提取,再将所述土壤数据特征输入神经网络结构训练,以实现对土壤基础数据的成分分析预测,并实时计算所训练的初阶监测模型的监测精度,在所述监测精度符合预设精度标准时,将训练后的初阶监测模型作为目标监测模型。
本实施例基于径向基函数神经网络,并结合改进后的均方根传递算法实现对土壤重金属含量的精准监测,相较于传统的径向基函数神经网络预测,提高了全局收敛性,避免了局部极值现象的发生,提高了在实现对重金属含量监测时的收敛速度与监测精度,也节省了人力物力的支出。
参考图3,图3为本发明土壤重金属含量的监测方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S20包括:
步骤S201:对所述土壤数据集进行聚类分析,获得初阶中心点与初阶宽度向量;
易于理解的是,所述聚类分析可通过k均值聚类算法(k-means clusteringalgorithm)实现,即可对所述土壤数据集通过k均值聚类算法生成径向基函数神经网络隐含层的中心点,宽度向量,并将所述中心点和所述宽度向量作为初阶中心点和初阶宽度向量,所述k均值聚类算法的数据来源可为上述训练样本,也可从预设土壤数据库中导入数据,再进一步确定所述径向基函数神经网络的拓扑结构,包括输入层节点数、隐含层节点数、输出层节点数、激活函数、性能函数、动量项系数等参数的确定,其中,中心点的数量可由径向基函数神经网络的隐含层节点数决定;隐含层节点数量可由试凑法计算得出,具体可为:先设置较少的隐含层节点来训练网络,然后逐渐增加隐含层节点数,使用同一训练样本进行训练,最终选取误差最小时对应的隐含层节点数;激活函数可选用双曲正切函数;性能函数基于均方根误差确定。
步骤S202:通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值;
需要说明的是,本实施在粒子群优化算法(Particle Swarm Optimization,PSO)的基础上引入了小种群以实现以径向基函数神经网络作为适应度函数进行迭代处理,输出种群最优个体,具体可根据所述土壤数据集生成大种群,并基于所述大种群生成小种群,再通过预设适应度规则将所述小种群中适应度最大的个体作为小种群最优个体,所述适应度规则可为根据小种群个体的位置信息计算出小种群个体的适应度,选出适应度最大的小种群个体作为小种群最优个体;其中种群个体的形式为径向基函数神经网络输出层权值、阈值的组合数组形式;
获取所述小种群最优个体对应的目标适应度,对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群,具体可为,基于预设粒子速度算法对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群,停止迭代的条件可设置为当前迭代次数达到预设迭代次数,当前适应度小于预设值等,本实施例对此不加以限制,所述预设粒子速度算法实现了对大种群中所有粒子的速度及位置进行更新,其中,惯性权值随迭代次数进行线性变换,加速因子随适应度值进行余弦变换,加速因子的具体变换方式可通过下式确定,
其中,c1为加速因子1,c2为加速因子2,fxi为粒子xi的适应度值,fmax为种群中的最大适应度,fmin为种群中的最小适应度。
通过所述预设适应度规则将所述迭代后的大种群中适应度最大的个体的作为大种群最优个体,所述适应度规则可为根据大种群个体的位置信息计算出大种群个体的适应度,选出适应度最大的大种群个体作为大种群最优个体,将所述大种群最优个体对应的权值作为初阶权值,将所述大种群最优个体对应的阈值初阶阈值。
步骤S203:基于所述初阶中心点、所述初阶宽度向量、所述初阶权值以及初阶阈值建立初阶监测模型;
步骤S204:对所述初阶监测模型进行训练,获得目标监测模型。
易于理解的是,基于所述初阶中心点、所述初阶宽度向量、所述初阶权值以及初阶阈值建立初阶监测模型后,将所述初阶权值设定为径向基函数神经网络输出层的权值的初始值,初阶阈值设定为径向基函数神经网络输出层的阈值的初始值,初阶中心点设定为径向基函数神经网络隐含层的中心点,初阶宽度向量设定为径向基函数神经网络隐含层的宽度向量。将监测样本的土壤基础项输入径向基函数神经网络,依次在径向基函数神经网络的隐含层、输出层进行计算,输出层输出土壤重金属含量结果,将所述土壤重金属含量结果与训练样本的土壤重金属含量进行比对,求出二者间的欧式距离,然后根据所述欧式距离,使用上述改进后的均方根传递算法对隐含层的中心点、宽度向量,输出层的权值、阈值进行数值的更新,直到达到预设更新次数或所述欧式距离小于预设数值时,将当前初阶监测模型作为目标监测模型。
本实施例通过在粒子群优化算法的基础上进行改进,即在确定最优种群个体时加入了小种群的生成,且在对粒子更新速度计算时采用随适应度进行变换的加速因子以进一步提高训练后的初阶监测的模型,即进一步提高了目标监测模型的监测精度和监测速度,也使得对土壤重金属含量的监测更加方便快捷。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有土壤重金属含量的监测程序,所述土壤重金属含量的监测程序被处理器执行时实现如上文所述的土壤重金属含量的监测方法的步骤。
参照图4,图4为本发明土壤重金属含量的监测装置第一实施例的结构框图。
如图4所示,本发明实施例提出的土壤重金属含量的监测装置包括:
数据采集模块10,用于获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
模型构建模块20,用于基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
含量监测模块30,用于输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
本实施例通过获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量,提高了目标监测模型对土壤重金属含量的监测精度和监测速度,弥补了传统技术对土壤重金属含量监测精度和监测速度上的不足,也节省了人力物力的经济支出。
基于本发明上述土壤重金属含量的监测装置第一实施例,提出本发明土壤重金属含量的监测装置的第二实施例。
在本实施例中,所述数据采集模块10,还用于获取预设区域的土壤原始样本,通过光谱仪获取所述土壤原始样本的激光诱导击穿光谱数据;
还用于对所述激光诱导击穿光谱数据进行归一化处理,获得土壤数据集。
所述模型构建模块20,还用于对所述土壤数据集进行聚类分析,获得初阶中心点与初阶宽度向量;
还用于通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值;
还用于基于所述初阶中心点、所述初阶宽度向量、所述初阶权值以及初阶阈值建立初阶监测模型;
还用于对所述初阶监测模型进行训练,获得目标监测模型。
还用于基于预设粒子群优化算法,根据所述土壤数据集生成大种群,并基于所述大种群生成小种群;
还用于通过预设适应度规则将所述小种群中适应度最大的个体作为小种群最优个体;
还用于获取所述小种群最优个体对应的目标适应度;
还用于对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群;
还用于通过所述预设适应度规则将所述迭代后的大种群中适应度最大的个体的作为大种群最优个体;
还用于将所述大种群最优个体对应的权值作为初阶权值,将所述大种群最优个体对应的阈值作为初阶阈值。
还用于基于预设粒子速度算法对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群。
还用于基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行无监督训练,获得土壤特征数据;
还用于基于所述土壤特征数据对所述初阶监测模型进行有监督训练,并实时计算所训练的初阶监测模型的监测精度;
还用于在所述监测精度符合预设精度标准时,将训练后的初阶监测模型作为目标监测模型。
还用于通过预设训练规则对所述土壤特征数据进行迭代处理,获得目标土壤特征数据;
还用于基于所述目标土壤特征数据对所述初阶监测模型进行有监督训练。
本发明土壤重金属含量的监测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种土壤重金属含量的监测方法,其特征在于,所述方法包括:
获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
2.如权利要求1所述的方法,其特征在于,所述获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集的步骤,具体包括:
获取预设区域的土壤原始样本,通过光谱仪获取所述土壤原始样本的激光诱导击穿光谱数据;
对所述激光诱导击穿光谱数据进行归一化处理,获得土壤数据集。
3.如权利要求1所述的方法,其特征在于,所述基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型的步骤,具体包括:
对所述土壤数据集进行聚类分析,获得初阶中心点与初阶宽度向量;
通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值;
基于所述初阶中心点、所述初阶宽度向量、所述初阶权值以及初阶阈值建立初阶监测模型;
对所述初阶监测模型进行训练,获得目标监测模型。
4.如权利要求3所述的方法,其特征在于,所述通过预设粒子群优化算法对所述土壤数据集进行优化处理,获得初阶权值和初阶阈值的步骤,具体包括:
基于预设粒子群优化算法,根据所述土壤数据集生成大种群,并基于所述大种群生成小种群;
通过预设适应度规则将所述小种群中适应度最大的个体作为小种群最优个体;
获取所述小种群最优个体对应的目标适应度;
对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群;
通过所述预设适应度规则将所述迭代后的大种群中适应度最大的个体的作为大种群最优个体;
将所述大种群最优个体对应的权值作为初阶权值,将所述大种群最优个体对应的阈值作为初阶阈值。
5.如权利要求4所述的方法,其特征在于,所述对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群的步骤,具体包括:
基于预设粒子速度算法对所述大种群中历史最大适应度小于所述目标适应度的个体进行迭代处理,获得迭代后的大种群。
6.如权利要求1所述的方法,其特征在于,所述基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型的步骤,具体包括:
基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行无监督训练,获得土壤特征数据;
基于所述土壤特征数据对所述初阶监测模型进行有监督训练,并实时计算所训练的初阶监测模型的监测精度;
在所述监测精度符合预设精度标准时,将训练后的初阶监测模型作为目标监测模型。
7.如权利要求6所述的方法,其特征在于,所述基于所述土壤特征数据对所述初阶监测模型进行有监督训练的步骤之前,还包括:
通过预设训练规则对所述土壤特征数据进行迭代处理,获得目标土壤特征数据;
相应地,所述基于所述土壤特征数据对所述初阶监测模型进行有监督训练的步骤,具体包括:
基于所述目标土壤特征数据对所述初阶监测模型进行有监督训练。
8.一种土壤重金属含量的监测装置,其特征在于,所述装置包括:
数据采集模块,用于获取预设区域的土壤原始样本,对所述土壤原始样本进行预处理,获得土壤数据集;
模型构建模块,用于基于所述土壤数据集建立初阶监测模型,对所述初阶监测模型进行训练,获得目标监测模型;
含量监测模块,用于输入目标区域的土壤基础数据至所述目标监测模型,以获得所述目标区域的土壤重金属含量。
9.一种土壤重金属含量的监测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的土壤重金属含量的监测程序,所述土壤重金属含量的监测程序配置为实现如权利要求1至7中任一项所述的土壤重金属含量的监测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有土壤重金属含量的监测程序,所述土壤重金属含量的监测程序被处理器执行时实现如权利要求1至7任一项所述的土壤重金属含量的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423334.5A CN111598460B (zh) | 2020-05-18 | 2020-05-18 | 土壤重金属含量的监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423334.5A CN111598460B (zh) | 2020-05-18 | 2020-05-18 | 土壤重金属含量的监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598460A true CN111598460A (zh) | 2020-08-28 |
CN111598460B CN111598460B (zh) | 2023-09-29 |
Family
ID=72185737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010423334.5A Active CN111598460B (zh) | 2020-05-18 | 2020-05-18 | 土壤重金属含量的监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598460B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614552A (zh) * | 2021-01-04 | 2021-04-06 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及系统 |
CN112633733A (zh) * | 2020-12-30 | 2021-04-09 | 武汉轻工大学 | 基于可信度的随机森林土壤重金属风险评价方法及系统 |
CN114509556A (zh) * | 2022-01-10 | 2022-05-17 | 北京科技大学 | 一种预测场地重金属污染物浓度的方法 |
CN117314269A (zh) * | 2023-09-14 | 2023-12-29 | 博瀚智能(深圳)有限公司 | 质检模型管理方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927460A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于rbf的风电场短期风速预测方法 |
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN109886126A (zh) * | 2019-01-23 | 2019-06-14 | 长安大学 | 一种基于动态采样机制与rbf神经网络的区域车辆密度估计方法 |
CN110867221A (zh) * | 2019-11-08 | 2020-03-06 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤含铅量预测模型确定方法及装置 |
-
2020
- 2020-05-18 CN CN202010423334.5A patent/CN111598460B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927460A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于rbf的风电场短期风速预测方法 |
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN109886126A (zh) * | 2019-01-23 | 2019-06-14 | 长安大学 | 一种基于动态采样机制与rbf神经网络的区域车辆密度估计方法 |
CN110867221A (zh) * | 2019-11-08 | 2020-03-06 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤含铅量预测模型确定方法及装置 |
Non-Patent Citations (3)
Title |
---|
孔令华: "光谱和光谱影像技术在各学科领域中的应用", 吉林大学出版社, pages: 238 * |
沈长青: "独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究", 机械工程学报, vol. 55, no. 7, pages 238 - 88 * |
秦夕淳: "基于神经网络的土壤重金属含量预测模型研究", pages 027 - 395 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633733A (zh) * | 2020-12-30 | 2021-04-09 | 武汉轻工大学 | 基于可信度的随机森林土壤重金属风险评价方法及系统 |
CN112614552A (zh) * | 2021-01-04 | 2021-04-06 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及系统 |
CN112614552B (zh) * | 2021-01-04 | 2022-06-07 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及系统 |
CN114509556A (zh) * | 2022-01-10 | 2022-05-17 | 北京科技大学 | 一种预测场地重金属污染物浓度的方法 |
CN117314269A (zh) * | 2023-09-14 | 2023-12-29 | 博瀚智能(深圳)有限公司 | 质检模型管理方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111598460B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
CN111667308A (zh) | 广告推荐预测系统及方法 | |
CN111612017A (zh) | 一种基于信息增强的目标检测方法 | |
CN110287311B (zh) | 文本分类方法及装置、存储介质、计算机设备 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN112560967A (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN117253122A (zh) | 玉米种子近似品种筛选方法、装置、设备及存储介质 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117391139A (zh) | 基于改进UNet神经网络的天气现象预报订正方法 | |
CN113066528A (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN115496948A (zh) | 一种基于深度学习的网络监督细粒度图像识别方法和系统 | |
CN113989567A (zh) | 垃圾图片分类方法及装置 | |
Chen et al. | Remote sensing image monitoring and recognition technology for the conservation of rare wild animals | |
Du et al. | Classification algorithm based on convolutional neural network for wild fungus | |
CN111061774A (zh) | 搜索结果准确性判断方法、装置、电子设备及存储介质 | |
CN113706503B (zh) | 整车点云图像分析方法、装置、设备及存储介质 | |
CN110942179A (zh) | 一种自动驾驶路线规划方法、装置及车辆 | |
CN116030347B (zh) | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 | |
CN113378468B (zh) | 多维地学参量的权重优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |