Visible/Near infrared spectroscopy modeling of soil nitrogen content based on PSO-CNN

doi:10.13741/j.cnki.11-1879/o4.2021.04.010

您当前的位置：

首页 >

文章列表页 >

Visible/Near infrared spectroscopy modeling of soil nitrogen content based on PSO-CNN

更新时间：2025-09-01

- Visible/Near infrared spectroscopy modeling of soil nitrogen content based on PSO-CNN
- Vol. 47, Issue 4, Pages: 438-445(2021)
- 作者机构：
  
  1. 1:中国海洋大学工程学院
  2. 2:中国海洋大学山东省海洋智能装备技术工程研究中心
  3. 3:齐鲁工业大学(山东省科学院)海洋仪器仪表研究所
- 作者简介：
- 基金信息：
- DOI：10.13741/j.cnki.11-1879/o4.2021.04.010
  CLC：
- Published：2021
- 稿件说明：
移动端阅览
Visible/Near infrared spectroscopy modeling of soil nitrogen content based on PSO-CNN[J]. 2021, 47(4): 438-445.
DOI：

Visible/Near infrared spectroscopy modeling of soil nitrogen content based on PSO-CNN[J]. 2021, 47(4): 438-445. DOI： 10.13741/j.cnki.11-1879/o4.2021.04.010.

摘要

基于机器学习和深度学习的土壤元素含量光谱法建模是土壤化学成分检测的研究热点。为提高基于卷积神经网络的土壤元素含量光谱法建模的准确率

提出了一种粒子群算法优化的卷积神经网络土壤氮元素含量光谱分析模型(PSO-CNN)。对土壤样本进行平滑及标准正态变换处理

减小噪声对建模的影响

设计适用于回归的卷积神经网络结构

采用粒子群算法对设计的卷积神经网络的卷积核参数、学习率、迭代次数等超参数进行优化。可见/近红外光谱的波长范围为225～975nm

对青岛地区的177组土壤样本的氮含量分析建模。建模结果表明

相比偏最小二乘回归、卷积神经网络等建模方法

提出的PSO-CNN建模方法具有更高的预测准确率

测试集的决定系数为0.9707

均方根误差为0.8818

相对分析误差为5.88。

Abstract

关键词

Keywords

references

Views

586

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Classification model of dominant species in desertification grassland based on hyperspectral remote sensing

Brain image registration method based on low-resolution auxiliary features and convolutional neural network

Concealed object detection from millimeter wave images based on DSA-BCNN

Surface defect detection of polarizer based on improved Faster-RCNN

Denoising process for image impulse noise based on dual-channel neural networks

Related Author

康拥朝

刘浩

皮伟强

杨红艳

毕玉革

张锡鹏

王远军

薛湛琦

Related Institution

1:内蒙古农业大学机电学院

1:上海理工大学医学影像工程研究所

3:擎翌(上海)智能科技有限公司

2:上海第二工业大学文理学部

1:上海理工大学光电信息与计算机工程学院

⁰