基于AE-FFNN神经网络的橡胶树叶片磷含量定性研究

磷元素对橡胶树的生长发育至关重要,基于近红外光谱的橡胶树氮磷钾元素含量的快速无损检测已有很多研究,但磷元素含量的检测效果远不如氮钾。基于近红外高光谱技术结合非线性特征提取方法和建模算法实现橡胶树磷元素含量的快速无损检测。以橡胶树叶片的近红外高光谱数据为分析对象,运用神经网络非线性变换的特征提取思想,构建了一种融合自编码器与前馈神经网络(autoencoder-feedforward neural network,AE-FFNN)模型。通过自编码器提取橡胶树叶片的光谱非线性特征信息,运用前馈神经网络进行建模,应对不同精细程度的分类任务,从而实现橡胶树叶片磷含量的定性分析。结果表明,AE-FFNN模型有效提取了光谱非线性特征并压缩了特征数量,通过该方法提取的特征为31个,且定性分析模型精确度提升,能够达到91.10%。相较于在光谱检测领域广泛采用的机器学习模型,所建立的AE-FFNN模型性能有较大提升。该模型既可以应用于橡胶树叶片磷元素含量的定性分析,也可为磷元素含量的定量研究提供思路。

基于AIRF-CARS波段选择算法的橡胶树叶片氮含量定量研究

以橡胶树叶片的近红外光谱信息为分析对象,运用由粗放到细致的多分辨率特征提取思想,提出了一种融合自适应间隔随机蛙与竞争自适应重加权采样(AIRF-CARS)的算法提取橡胶树叶片的光谱特征信息,从而实现了橡胶树叶片氮含量的定量分析.实验结果表明,AIRF-CARS算法有效的压缩了光谱特征的数量,通过算法选择的特征波长为22个,使得定量分析模型的预测均方根误差(RMSEP)和决定系数(R2)分别为0.1364%和0.9596.因此,本文算法可以有效地提取信息量较大的波长特征,应用于近红外光谱检测的定量分析中,并为便携式田间多波段光谱仪的研发提供理论支撑.