運(yùn)用深度學(xué)習(xí)提取煙葉原料近紅外光譜特征算法的研究.pdf

1、煙葉原料近紅外光譜屬于高維數(shù)據(jù)，具有重疊、非線性等特點(diǎn)，而且有些光譜區(qū)域的樣品信息表現(xiàn)較弱，不能明顯的顯示樣本的有效成分信息。在對(duì)光譜進(jìn)行定性分析時(shí)，若采用全譜建模，則必然會(huì)帶進(jìn)一些噪音和干擾，從而影響模型提取光譜信息特征。因此，為解決這些問題，本文提出了對(duì)原始光譜進(jìn)行有效篩選和降維優(yōu)化處理的方法。本文以煙葉原料近紅外光譜為中心，主要研究內(nèi)容如下:
　　1、從煙葉原料近紅外光譜特征分析和空間變換入手，本文著重探討了煙葉原料近紅外光

2、譜波長變量篩選、特征提取等內(nèi)容，并介紹了深度學(xué)習(xí)的基本思想和實(shí)現(xiàn)過程，并對(duì)自編碼網(wǎng)絡(luò)、稀疏自編碼網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及算法推導(dǎo)進(jìn)行針對(duì)性分析，為本文后續(xù)研究提供了理論支撐。
　　2、通過對(duì)煙葉原料近紅外光譜的分析可知，若對(duì)全光譜的幾千個(gè)特征變量進(jìn)行建模，計(jì)算量大，且易形成過擬合。本文提出利用競爭性自適應(yīng)重加權(quán)算法CARS對(duì)煙葉原料近紅外光譜的特征波長進(jìn)行提取，結(jié)合偏最小二乘算法，并建立多個(gè)煙葉煙堿的校正模型，通過和不進(jìn)行波段選

3、擇以及用無信息變量消除法進(jìn)行波段選擇建立模型進(jìn)行對(duì)比。研究表明，通過CARS法建立的模型，僅用32個(gè)波長點(diǎn)就能反映全波段256個(gè)特征變量的全部信息，同時(shí)只需提取3個(gè)主成分，而全波段需要12個(gè)，大幅度減少了模型計(jì)算復(fù)雜性，相比之下，CARS方法建立的模型對(duì)外部的驗(yàn)證能力較強(qiáng)，平均相對(duì)誤差較小，減少了不必要的噪聲，以及各個(gè)波長點(diǎn)之間的多元共線性，提高了模型的精度，與PLS結(jié)合后建立的模型預(yù)測能力更強(qiáng)，穩(wěn)健性更好，驗(yàn)證了CARS方法在煙葉原料

4、近紅外光譜特征波長優(yōu)選中的可行性和抗干擾能力。
　　3、不同于以往的特征提取降維方法，本文提出利用深度學(xué)習(xí)算法對(duì)煙葉原料近紅外光譜進(jìn)行特征提取，構(gòu)建了一種稀疏自動(dòng)編碼網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)融合的SAECNN特征提取算法。通過SAE預(yù)訓(xùn)練網(wǎng)絡(luò)，優(yōu)化CNN結(jié)構(gòu)和內(nèi)部參數(shù)，并與PCA算法和ISOMAP算法進(jìn)行特征提取的可視化對(duì)比分析。研究表明，構(gòu)建的SAECNN方法在三個(gè)煙葉產(chǎn)地識(shí)別中達(dá)到的最高正確率和平均正確率分別為95.47％和95.1