CN114047214A - 一种改进的dbn-morf土壤重金属含量预测方法 - Google Patents

一种改进的dbn-morf土壤重金属含量预测方法 Download PDF

Info

Publication number
CN114047214A
CN114047214A CN202111372875.0A CN202111372875A CN114047214A CN 114047214 A CN114047214 A CN 114047214A CN 202111372875 A CN202111372875 A CN 202111372875A CN 114047214 A CN114047214 A CN 114047214A
Authority
CN
China
Prior art keywords
dbn
morf
soil
prediction
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
Application number
CN202111372875.0A
Other languages
English (en)
Other versions
CN114047214B (zh
Inventor
陈颖
刘峥莹
朱奇光
刘俊飞
陈婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202111372875.0A priority Critical patent/CN114047214B/zh
Publication of CN114047214A publication Critical patent/CN114047214A/zh
Application granted granted Critical
Publication of CN114047214B publication Critical patent/CN114047214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种改进的DBN‑MORF土壤重金属含量预测方法，涉及土壤分析技术领域，通过对Pb、As重叠峰的X射线荧光光谱数据进行特征提取，并根据提取出的重叠峰的特征，对Pb、As元素的含量进行同时预测，从而实现基于重叠峰的土壤重金属含量预测。本发明提出基于DBN‑MORF的预测模型，并用SSA对DBN参数进行优化，实现基于重叠峰光谱数据的重金属含量预测，避免了数据信息的浪费，降低主观因素的影响，优化预测效果，简化操作过程。

Description

一种改进的DBN-MORF土壤重金属含量预测方法
技术领域
本发明涉及土壤组分含量分析技术领域，尤其是一种改进的DBN-MORF土壤重金属含量预测方法。
背景技术
近年来随着土壤重金属污染的加剧，和人们环境意识的逐渐提高，科研人员对快速检测土壤重金属含量方法的研究正在不断深化。目前，X射线荧光分析法(XRF)是广泛应用于土壤重金属污染检测的方法。相比于传统的化学检测重金属含量的方法，XRF法具有低成本、无损，可实现实时检测的特点，逐渐受到人们的关注。为实现基于XRF法的土壤重金属检测，首先可制作一批含有一定含量的特定重金属元素的土壤样本，并对每个样本获取X射线荧光光谱。由于光谱的强度是受重金属含量影响的，通常重金属含量越高，在该重金属所对应的光谱道址区间内，光谱的强度也越大。因此重金属含量的信息会被包含在获得的光谱数据中。
通常，想要通过XRF法对特定物质含量的准确分析，需要对预处理后的光谱数据提取关键信息，并根据这些关键信息，建立预测模型进行含量的预测。
目前，该方面常用的方法是：通过PCA算法或相关系数法对光谱数据降维，再用降维后的数据输入预测模型，进行重金属含量预测。常用的预测方法有偏最小二乘回归(PLSR)，支持向量机(SVR)。
现有方法的原理：对感兴趣区间内的所有XRF光谱做简单的预处理，将预处理后的各个光谱数据点组成的矩阵输入PCA算法中提取主成分，然后将提取出的主成分输入预测算法建立预测模型。PCA算法在提取出各个成分，即特征的同时，会以数值的形式显示出该特征的贡献率，即特征能在多大程度上代表原始光谱数据的信息。通常，会根据需要，选取出能代表80％以上光谱信息的几个特征，或能代表90％，95％以上光谱信息的几个特征。
PLSR算法与SVR算法均为回归预测算法，其中PLSR是一种传统的线性回归算法，SVR是一种常用的机器学习算法。
而如果土壤样本中同时含有As、Pb这两种重金属元素，它们的特征谱峰会发生重叠，通常需要先对重叠的谱峰进行分解，再进行含量的预测，然而这样做较麻烦。
PCA将所有的样本作为一个整体对待，去寻找一个均方误差最小下的最优线性映射投影，而忽略了其他的属性，而它所忽略的投影方向可能刚好包含了重要的信息。这就可能导致所提取的特征用于训练预测模型效果并不好。
相关系数法除了选定的几列作为特征的光谱数据外，其他的光谱数据也包含了大量的信息，而其他的光谱数据完全没有用上，导致了数据信息的浪费，和建模考虑的因素不够周全等问题。对于选择几个特征作为输入，也没有统一的界定，主观因素影响较大。
PLSR为线性回归方法，而XRF光谱数据受多种因素影响，与含量之间可能呈现复杂的非线性关系，这会导致预测效果不够好。
如果土壤中同时含有As、Pb这两种重金属元素，则会出现这两种元素的重叠谱峰。想要预测这两种重金属元素的含量，通常需要先将重叠峰进行分解，操作比较复杂。
发明内容
本发明需要解决的技术问题是提供一种基于DBN-MORF土壤重金属含量预测方法，提出改进的DBN-MORF级联的预测模型，用SSA对DBN参数进行优化，实现基于重叠峰光谱数据的重金属含量预测，避免数据信息的浪费，降低主观因素的影响，优化预测效果，简化操作过程。
为解决上述技术问题，本发明所采用的技术方案是：
一种改进的DBN-MORF土壤重金属含量预测方法，包括基于SSA的参数优化部分和基于DBN-MORF的重金属含量预测部分；
基于SSA的参数优化部分包括：采用SSA对DBN的参数进行全局优化，优化的参数包括：DBN的学习率、DBN各层网络的神经元个数、正向训练次数和反向微调次数；
基于改进的DBN-MORF的重金属含量预测部分包括以下步骤：
S1：土壤样本的获取和预处理：采集并制备土壤样本，随机划分训练样本和测试样本，获取训练样本和测试样本的XRF光谱数据集，对训练样本和测试样本的XRF光谱数据集进行预处理；
S2：通过DBN实现X射线荧光光谱数据的特征提取，使用深度学习算法提取光谱的特征；
S3：将DBN提取的特征取出，并将提取的特征输入多目标预测模型中，在多目标随机森林回归中进行回归；
S4：采用测试样本评价预测模型。
本发明技术方案的进一步改进在于：基于重叠峰光谱数据，通过改进的DBN-MORF的重金属含量预测模型，同时预测As、Pb的重金属含量。
本发明技术方案的进一步改进在于：所述步骤S1中的土壤样本的获取方法包括：采集土壤，去除杂质，研磨风干，过200目筛，向土壤中加入含有一定含量的重金属元素的溶液，并再次烘干土壤，制作出压片样本。
本发明技术方案的进一步改进在于：所述步骤S1中的预处理的方式包括：采用谱聚类法剔除异常样本，采用Savitzky-Golay五点二次去噪法对光谱数据进行平滑去噪，采用线性本底扣除法去掉光谱的背景噪声。
本发明技术方案的进一步改进在于：所述步骤S2中的特征提取步骤为：将训练集样本的光谱数据集输入堆叠的RBM中，逐个训练RBM，并将提取的特征输入DBN顶层的BP进行回归，根据样本的标签与BP回归的结果之间出差值，对DBN内部的连接参数进行反向微调，最终使得训练出的特征能最大程度地反映原光谱信息。
本发明技术方案的进一步改进在于：根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S3中的含量预测步骤为：将训练好的特征从DBN的倒数第二层网络中取出，不直接采用其顶部的BP网络的回归结果，而是将特征输入MORF中，更加准确地同时预测出As、Pb元素的含量。
本发明技术方案的进一步改进在于：根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：采用SSA对DBN的参数进行全局优化，优化的参数包括：DBN的学习率、DBN各层网络的神经元个数、正向训练次数和反向微调次数。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明提出DBN-MORF级联的预测模型，并用SSA对DBN参数进行优化，实现基于重叠峰光谱数据的重金属含量预测，避免了数据信息的浪费，降低主观因素的影响，优化预测效果，简化操作过程。
将DBN引入X射线荧光光谱数据的特征提取，使用深度学习算法，使得光谱的特征提取更加完全。
将提取出的重叠峰的特征，输入多目标预测模型，实现对As、Pb的重金属含量的同时预测。DBN本身也能够根据其提取的特征直接进行预测，但由于其预测效果不好，对其加以改进。将多目标随机森林(MORF)与DBN进行级联，提出DBN-MORF算法，可将DBN提取出的特征输入进MORF中进行回归，得到更好的预测效果，并根据重叠峰同时预测出As和Pb的含量。
采用SSA算法对DBN的参数进行全局调优，这简化了DBN调节参数的复杂度，可直接通过迭代得到DBN参数的最优组合，使模型达到更好的预测效果。
附图说明
图1是本发明原理框图；
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种改进的DBN-MORF土壤重金属含量预测方法，包括基于SSA的参数优化部分和基于改进的DBN-MORF的重金属含量预测部分；
基于SSA的参数优化部分包括：采用SSA对DBN的参数进行全局优化，优化的参数包括：DBN的学习率、DBN各层网络的神经元个数、正向训练次数和反向微调次数。
首先，该发明提出采用DBN对预处理后的As、Pb重叠峰光谱数据进行特征提取。DBN具有非常强大的特征提取能力，相比于常用的光谱特征提取方法，如PCA，和相关系数法，深度学习算法DBN可以提取出更深层次的特征，使得最终取得较好的预测效果。
其次，需要根据提取出的数据特征对土壤中的重金属含量进行预测。常用的方法为，根据数据特征，直接进行线性回归，或采用支持向量机(SVR)等算法进行回归，也可以直接用DBN实现回归。但以上方法具有一定的局限性，预测效果不是很好，故提出一种基于DBN-MORF的级联预测方法，该方法将DBN提取的特征取出，并将提取的特征输入MORF中进行回归，而不是直接输入其顶层的BP网络进行回归。随机森林本身具有非常强大的预测效果，且擅长处理多维数据，这样的结合，一方面保留了DBN的特征提取能力，同时弥补了DBN在回归方面的欠缺，使得该算法能够实现在特征提取基础上的准确预测。
为了使DBN-MORF的效果达到最优，采用SSA对DBN的参数进行全局优化，主要优化的参数有：DBN的学习率，DBN各层网络的神经元个数，正向训练次数和反向微调次数。由于DBN的参数较多，一个一个进行调参非常复杂，而DBN本身受参数的影响又比较大，为解决这个问题，可以采用SSA对DBN的参数进行全局优化，经过算法的寻优后，最终可得到最优的参数组合，使得模型达到更好的预测效果。
本申请采用SSA算法的改进方案，尽管SSA的优化效果要优于一些常用的群智能优化算法，如粒子群算法，蚁群算法等，但仍有可能陷入局部最优而过早收敛，因此，提出了一种SSA算法的改进方案，将佳点集理论引入了SSA算法，该方法可使得算法的初始种群不仅具有多样性，还可保证种群分布均匀。
佳点集理论是由华罗庚提出的，其描述如下：设在S维的欧几里得空间中有一个单位立方体Vs，并且在Vs中存在一个数量为n的点集，这个点集中的点可以用
Figure BDA0003362879030000061
表示，假设Pn(k)的偏移是
Figure BDA0003362879030000062
并且满足
Figure BDA0003362879030000063
ε是一个任意正整数，C(r,ε)是一个与r和ε都相关的常量，则r是一个佳点，Pn(k)是佳点集。通常，r＝{2cos(2πk/p),1≤k≤s}，p是满足(p-3)/2≥s的最小素数，然后一个佳点集就被生成出来了。
通常，群智能优化算法的初始种群是随机分布的，该方法的缺陷就是，由于随机分布不均匀，不能完全覆盖搜索空间。利用佳点集初始化的方法可以很好地克服这一缺陷，基于佳点集的初始化种群的分布更加均匀，改进后的算法收敛速度更快，精度更高。
用改进后的SSA算法进行参数优化，迭代的速度更快，优化效果更好。将其应用于对DBN参数的优化，得到DBN的最优参数组合。
基于改进的DBN-MORF的重金属含量预测部分包括以下步骤：
S1：土壤样本的获取和预处理：采集土壤样品并将土壤样本划分为训练样本和测试样本，获取训练样本和测试样本的XRF光谱数据集，对训练样本和测试样本的XRF光谱数据集进行预处理；
土壤样本的获取方法包括：采集土壤，去除杂质，研磨风干，过200目筛，向土壤中加入含有一定含量的重金属元素的溶液，并再次烘干土壤，制作出压片样本；
预处理的方式包括：采用谱聚类法剔除异常样本，采用Savitzky-Golay五点二次去噪法对光谱数据进行平滑去噪，采用线性本底扣除法去掉光谱的背景噪声；
S2：通过DBN实现X射线荧光光谱数据的特征提取，使用深度学习算法提取光谱的特征；特征提取步骤为：将训练集样本的光谱数据集输入堆叠的RBM中，逐个训练RBM，并将提取的特征输入DBN顶层的BP进行回归，根据样本的标签与BP回归的结果之间出差值，对DBN内部的连接参数进行反向微调，最终使得训练出的特征能最大程度地反映原光谱信息；
S3：将DBN提取的特征取出，并将提取的特征输入多目标预测模型中，在多目标随机森林回归中进行回归；含量预测步骤为：将训练好的特征从DBN的倒数第二层网络中取出，不直接采用其顶部的BP网络的回归结果，而是将特征输入MORF中，更加准确地同时预测出As、Pb元素的含量；在此部分同时预测As和Pb的重金属含量。
S4：采用测试样本评价预测模型，评价预测模型的步骤为：将测试样本输入训练好的DBN-MORF模型中进行预测，并根据预测结果与标签值之差，计算出R2、MAE、MSE这几个评价指标，R2越大，MAE、MSE越小时，预测模型越准确。
文中名词：
XRF(X-ray fluorescence analysis):X射线荧光分析。利用初级X射线光子或其他微观离子激发待测物质中的原子，使之产生荧光(次级X射线)而进行物质成分分析和化学态研究的方法。
DBN(Deep Believe Betwork):深度置信网络。一种深度神经网络，由多个玻尔兹曼机(RBMs)堆叠而成，可进行特征提取并根据特征进行预测。
RBM(Restricted Boltzmann Machine):受限玻尔兹曼机。DBN的基本组成单位。
RFR(Random Forest Regression):随机森林回归。随机森林是一种机器学习算法，擅长处理多维数据，具有较好的预测效果。
SSA(Sparrow Search Algorithm)：麻雀搜索算法。一种新型群智能优化算法，来源于麻雀觅食和反捕食行为的启发。该算法可用于对各类参数的优化，以及路径规划等全局优化问题。
MSE(Mean Squared Error):均方误差。指预测值与真值之差平方的期望值，是衡量预测准确度的常用指标之一。
MAE(Mean absolute error):平均绝对误差。指各预测值与真值的绝对偏差绝对值的平均值。是衡量预测准确度的常用指标之一。
R2:决定系数。反映因变量的全部变异能通过回归关系被自变量解释的比例。是衡量预测准确度的常用指标之一。
PCA(Principal Component Anallysis):主成分分析。一种降维方法，把多维数据转化为几维综合的数据。
MORF(Multi-objective Random Forest):多目标随机森林，可用于对多个y值进行回归，也可对多个目标进行分类。

Claims (7)

1.一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：包括基于SSA的参数优化部分和基于改进的DBN-MORF的重金属含量预测部分；
基于SSA的参数优化部分包括：采用具有佳点集策略的SSA对DBN的参数进行全局优化，优化的参数包括：DBN的学习率、DBN各层网络的神经元个数、正向训练次数和反向微调次数；
基于改进的DBN-MORF的重金属含量预测部分包括以下步骤：
S1：土壤样本的获取和预处理：采集并制备土壤样本，随机划分训练样本和测试样本，获取训练样本和测试样本的XRF光谱数据集，对训练样本和测试样本的XRF光谱数据集进行预处理；
S2：通过DBN实现X射线荧光光谱数据的特征提取，使用深度学习算法提取光谱的特征；
S3：将DBN提取的特征取出，并将提取的特征输入多目标预测模型中，在多目标随机森林回归中进行回归；
S4：采用测试样本评价预测模型。
2.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：基于重叠峰光谱数据，通过改进的DBN-MORF的重金属含量预测模型同时预测As、Pb的重金属含量。
3.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S1中的土壤样本的获取方法包括：采集土壤，去除杂质，研磨风干，过200目筛，向土壤中加入含有一定含量的重金属元素的溶液，并再次烘干土壤，制作出压片样本。
4.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S1中的预处理的方式包括：采用谱聚类法剔除异常样本，采用Savitzky-Golay五点二次去噪法对光谱数据进行平滑去噪，采用线性本底扣除法去掉光谱的背景噪声。
5.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S2中的特征提取步骤为：将训练集样本的光谱数据集输入堆叠的RBM中，逐个训练RBM，并将提取的特征输入DBN顶层的BP进行回归，根据样本的标签与BP回归的结果之间出差值，对DBN内部的连接参数进行反向微调，最终使得训练出的特征能最大程度地反映原光谱信息。
6.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S3中的含量预测步骤为：将训练好的特征从DBN的倒数第二层网络中取出，不直接采用其顶部的BP网络的回归结果，而是将特征输入MORF中，更加准确地同时预测出As、Pb元素的含量。
7.根据权利要求1所述的一种改进的DBN-MORF土壤重金属含量预测方法，其特征在于：所述步骤S4中的评价预测模型的步骤为：将测试样本输入训练好的DBN-MORF模型中进行预测，并根据预测结果与标签值之差，计算出R2、MAE、MSE这几个评价指标，R2越大，MAE、MSE越小时，预测模型越准确。
CN202111372875.0A 2021-11-19 2021-11-19 一种改进的dbn-morf土壤重金属含量预测方法 Active CN114047214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111372875.0A CN114047214B (zh) 2021-11-19 2021-11-19 一种改进的dbn-morf土壤重金属含量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111372875.0A CN114047214B (zh) 2021-11-19 2021-11-19 一种改进的dbn-morf土壤重金属含量预测方法

Publications (2)

Publication Number Publication Date
CN114047214A true CN114047214A (zh) 2022-02-15
CN114047214B CN114047214B (zh) 2023-04-18

Family

ID=80209908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111372875.0A Active CN114047214B (zh) 2021-11-19 2021-11-19 一种改进的dbn-morf土壤重金属含量预测方法

Country Status (1)

Country Link
CN (1) CN114047214B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108573105A (zh) * 2018-04-23 2018-09-25 浙江科技学院 基于深度置信网络的土壤重金属含量检测模型的建立方法
CN109902411A (zh) * 2019-03-07 2019-06-18 三峡大学 土壤重金属含量检测建模方法及装置、检测方法及装置
CN109902406A (zh) * 2019-03-06 2019-06-18 苏州市环境科学研究所 一种基于深度学习的检测土壤重金属含量的方法及应用
US20200231466A1 (en) * 2017-10-09 2020-07-23 Zijun Xia Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200231466A1 (en) * 2017-10-09 2020-07-23 Zijun Xia Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants
CN108573105A (zh) * 2018-04-23 2018-09-25 浙江科技学院 基于深度置信网络的土壤重金属含量检测模型的建立方法
CN109902406A (zh) * 2019-03-06 2019-06-18 苏州市环境科学研究所 一种基于深度学习的检测土壤重金属含量的方法及应用
CN109902411A (zh) * 2019-03-07 2019-06-18 三峡大学 土壤重金属含量检测建模方法及装置、检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YING CHEN ET AL: "Soil Heavy Metal Content Prediction Based on a Deep Belief Network and Random Forest Model", 《APPLIED SPECTROSCOPY》 *
舒斐等: "一种基于DBN-RF的电网工控系统异常识别方法", 《计算机工程》 *

Also Published As

Publication number Publication date
CN114047214B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111222290A (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN110990718B (zh) 一种公司形象提升系统的社会网络模型构建模块
CN113052271B (zh) 基于深度神经网络的生物发酵数据预测方法
CN115436407B (zh) 一种随机森林回归结合主成分分析的元素含量定量分析方法
CN114580545A (zh) 一种基于融合模型的风电机组齿轮箱故障预警方法
CN109142251B (zh) 随机森林辅助人工神经网络的libs定量分析方法
CN114399674A (zh) 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统
CN107844870A (zh) 基于Elman神经网络模型的土壤重金属含量预测方法
CN114219157B (zh) 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法
CN118380066A (zh) 基于梯度提升集成学习算法与三维荧光的水质氨氮快速检测方法及设备
CN113159225B (zh) 多变量工业过程故障分类方法
CN114047214B (zh) 一种改进的dbn-morf土壤重金属含量预测方法
CN111896609B (zh) 一种基于人工智能分析质谱数据的方法
CN113138181A (zh) 一种对清香型原酒品质分级的方法
CN117393072A (zh) 基于cars-pca-bls的xrf土壤重金属元素定量分析方法
Zhang et al. Application of deep learning in laser-induced breakdown spectroscopy: a review
CN115482227B (zh) 机器视觉自适应成像环境调整方法
Wang et al. Improving hyperspectral image classification method for fine land use assessment application using semisupervised machine learning
CN115630332A (zh) 一种小麦粉粉质特性预测方法
CN114002204B (zh) 一种基于光谱抖动的激光诱导击穿光谱分析方法
CN114550842A (zh) 抑制靶标蛋白生物活性的药物化合物分子预测方法及系统
CN112735532A (zh) 基于分子指纹预测的代谢物识别系统及其应用方法
Mondal et al. Multivariate Time Series Forecasting to Forecast Weight Dynamics
CN115728267B (zh) 基于改进模拟退火算法的光谱特征波长选择方法

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