基于短时傅里叶光谱与数据融合的土壤成分含量预测

土壤肥力是衡量土壤质量的重要指标.为了评估土壤质量和提高作物产量,迫切需要找到快速预测土壤成分的途径.首先提出Inception层短时傅里叶变换卷积神经网络(inception short-time Fourier transform convolutional neural network,简称I-STFT-CNN)单一光谱模型,然后提出2个融合光谱模型II-STFT-CNN(indirect inception short-time Fourier transform convolutional neural network)和CI-STFT-CNN(cascade inception short-time Fourier transform convolutional neural network),最后对这些光谱模型的性能参数进行对比.研究结果表明:相对于SVR(support vector regression),PLSR(partial least squares regression)和STFT-CNN(short-time Fourier transform convolutional neural network)模型,该文提出的单一光谱I-STFT-CNN模型具有更高的预测精度;融合光谱模型的预测精度优于单一光谱模型;两个融合模型中,级联融合CI-STFT-CNN模型的性能优于通道融合II-STFT-CNN模型.因此,3种模型中,CI-STFT-CNN模型的预测精度最高.

基于IRIV-SA的乙烯FTIR光谱波数优选

利用傅里叶变换红外光谱(FTIR)技术能够对有机物的成分及含量进行快速无损测量。作为重要的有机化工原料,乙烯在塑料、醇类和纤维等大宗化学品的制造中有着广泛的应用,但同时由于其易挥发性,乙烯对环境和人体有着潜在的危害。为提高FTIR技术检测乙烯浓度模型的精度,综合迭代保留信息变量法(IRIV)和模拟退火算法(SA)的优点,提出了改进的IRIV-SA红外光谱波数优选算法。该方法在IRIV算法稳定选取大量光谱特征波数的基础上,利用SA进一步筛选少量有效特征波数,从而降低模型复杂度,提高有机物光谱检测精度。实验首先利用IRIV-SA对乙烯红外光谱的浓度进行波数选取,最终获取的特征波数由全光谱的271个变量降低至5个变量,再利用特征波数进行建模,结果表明其验证集相关系数、均方根误差为0.9989和0.3943,预测集相关系数、均方根误差为0.9978和0.6652,较全光谱建模精度有大幅提高。为进一步验证该算法的有效性,同时建立IRIV、SA、CARS(自适应重加权采样算法)、SPA(连续投影算法)以及IRIV-CARS、IRIV-SPA波数选取模型对相同数据集进行对比实验,比对结果表明IRIV-SA算法优于上述6种波数选取方法,是一种更有效的特征波数优选方法。