CN107844870A - 基于Elman神经网络模型的土壤重金属含量预测方法 - Google Patents
基于Elman神经网络模型的土壤重金属含量预测方法 Download PDFInfo
- Publication number
- CN107844870A CN107844870A CN201711281809.6A CN201711281809A CN107844870A CN 107844870 A CN107844870 A CN 107844870A CN 201711281809 A CN201711281809 A CN 201711281809A CN 107844870 A CN107844870 A CN 107844870A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- layer
- msubsup
- soil
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 75
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000013459 approach Methods 0.000 claims abstract description 9
- 230000007935 neutral effect Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 229910052751 metal Inorganic materials 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 8
- 238000004611 spectroscopical analysis Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims 3
- 230000005012 migration Effects 0.000 abstract description 8
- 238000013508 migration Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007605 air drying Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及基于Elman神经网络模型的土壤重金属含量预测方法,与现有技术相比解决了未考虑重金属在土壤中的迁移习性致使难以准确预测土壤重金属含量的缺陷。本发明包括以下步骤：样本数据的获取和预处理；构造基于堆栈自编码网络的Elman神经网络预测分析模型；对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练；基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练；土壤重金属含量的预测分析。本发明利用充分考虑土壤重金属含量迁移特性而改进的Elman神经网络模型进行分析预测，保证了土壤中重金属元素预测的精度。
Description
技术领域
本发明涉及土壤数据分析技术领域，具体来说是基于Elman神经网络模型的土壤重金属含量预测方法。
背景技术
土壤重金属污染问题已成为我国广泛关注的重大农业生态环境问题,对现代农业和社会经济的可持续发展、农业生态环境安全和农产品质量安全构成了严重威胁。十多年的科学研究和大量的实践证明，由于我国农业生态环境的特殊性，照搬国外技术以及理论无法切实解决我国农业领域所面临的重大环境和科学问题，难以有效地遏制农业环境污染和日趋加剧的发展态势。
国内现有土壤重金属检测方法主要为现场采样、实验室分析，该检测方法虽然能获得准确的重金属含量，但样品前处理较为繁琐、检测周期长、需要耗费大量的人力物力，可能会造成二次污染。由于我国国土面积之大，若要进行采集大量样本进行具体分析，难以实现土壤中重金属成分的自动化、智能化、综合化和精准化的快速检测。
激光诱导击穿光谱法(LIBS)具有几乎无需样品预处理、可同时对多种元素进行分析、检测时间短等特点，适用于土壤中重金属的快速检测。而在实际分析中发现，大量的高维土壤样本和土壤砷、镉、铅等重金属在时间上存在迁移问题，若不能充分考虑重金属在土壤中的迁移习性，则无法准确实现土壤重金属含量的准确预测。
因此，如何利用LIBS技术实现土壤重金属含量的准备预测已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中未考虑重金属在土壤中的迁移习性致使难以准确预测土壤重金属含量的缺陷，提供一种基于Elman神经网络模型的土壤重金属含量预测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
基于Elman神经网络模型的土壤重金属含量预测方法，包括以下步骤：
样本数据的获取和预处理，将采集的土壤样本划分为训练样本和测试样本，利用LIBS技术获取训练样本中土壤的光谱数据形成训练数据，将训练数据分为标签数据和无标签数据；
构造基于堆栈自编码网络的Elman神经网络预测分析模型；
对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练，利用无标签数据对基于堆栈自编码网络的Elman神经网络预测分析模型的堆栈自编码网络进行无监督训练；
基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练，将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取，将已提取特征后预处理的标签数据和土壤重金属含量的历史数据输入基于堆栈自编码网络的Elman神经网络预测分析模型，对Elman神经网络预测分析模型进行有监督训练；
土壤重金属含量的预测分析，将土壤重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型中，完成对测试样本的土壤重金属含量的动态分析预测。
所述构造基于堆栈自编码网络改进的Elman神经网络预测分析模型包括以下步骤：
构建包括编码器和解码器的堆栈自编码网络，堆栈自编码网络包括多层神经网络模型，依次为一层输入层、多层隐藏层、一层输出层；
构建Elman神经网络，Elman神经网络依次包括输入层、隐藏层、作为输出层节点反馈的承接层和拥有动态回归神经网络模型的输出层；
将训练样本的无标签数据作为堆栈自编码网络第一层输入层的输入，堆栈自编码网络第一层输入层的输出作为第二层隐藏层的输入，上一层隐藏层的输出作为下一层隐藏层的输入，最后一层隐藏层的输出作为输出层的输入，堆栈自编码网络第一层输入层的隐层单元为n1、第二层隐藏层的隐层单元为n2、第三层隐藏层的隐层单元为n3、第X层隐藏层的隐层单元为nx、最后一层输出层的隐层单元为nt；
将堆栈自编码网络最后一层输出层的的表征输出数据作为Elman神经网络输入层的输入；
将堆栈自编码网络和Elman神经网络堆叠形成基于堆栈自编码的Elman神经网络模型。
所述对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练包括以下步骤：
获取无标签数据X＝{x1,x2,...,xr}，将xi∈Rn×1作为堆栈自编码网络的第i个输入向量，输入到具有d个神经元的编码器；编码器通过非线性激活函数f得到编码zi∈Rd×1，其计算表达式如下：
zi＝sf(Wxi+b1)，
其中，W∈Rd×n是权重矩阵，b1∈Rd×1是编码层偏置向量；
将zi输入到解码器，得到解码结果其计算表达式如下：
其中，sg为解码器的激活函数，WT∈Rn×d是权重矩阵W的装置，b2∈Rn×1是解码层偏置向量；
通过最小化重构与原始输入数据xi,之间的误差代价进行特征提取，采用梯度下降法更新训练层与层之间的权值得到所提取的特征，使得之间的误差达到最小值，其代价函数如下：
所述基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练包括以下步骤：
将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取；
获取土壤重金属含量的历史数据；
将Elman神经网络预测分析模型定义如下：
其中，k为Elman神经网络的训练次数，y为输出向量，x为隐藏神经元输出向量，u为输入向量，yc为记忆输出层单元所反馈的前一时刻输出值，0≤α≤1为自连接反馈增益因子，W3、W2、W1分别为隐藏层到输出层、承接层到输出层、输入层到隐藏层的连接权值矩阵，f()和g()分别为隐藏层单元和输出层单元的激发函数所组成的非线性向量函数；
对Elman神经网络预测分析模型的参数进行调整，
设第k次实际的输出为
误差指数函数为
分别计算E(k)对权值W3、W2、W1的偏导数并使其为0，得到改进的Elman神经网络预测分析模型训练方法；
将E(k)对隐藏层到输出层的连接权值W3求偏导，其计算如下：
其中，
令
将E(k)对隐藏层到输出层的连接权值W2求偏导，其计算如下：
不考虑yc,i(k)对的依赖，
将E(k)对隐藏层到输出层的连接权值W1求偏导，其计算如下：
将提取特征后的标签数据和土壤重金属含量的历史数据输入Elman神经网络预测分析模型进行参数调整，对Elman神经网络预测分析模型进行训练。
所述土壤重金属含量的预测分析包括以下步骤：
将测试样本的LIBS光谱数据输入到堆栈自编码网络进行特征提取；
将提取特征后的预处理数据以及重金属含量的历史数据输入到改进Elman神经网络模型中，进行对测试样本土壤重金属含量的分析预测。
有益效果
本发明的基于Elman神经网络模型的土壤重金属含量预测方法，与现有技术相比利用充分考虑土壤重金属含量迁移特性而改进的Elman神经网络模型进行分析预测，保证了土壤中重金属元素预测的精度。
本发明利用堆栈自编码网络对通过LIBS技术获得的土壤光谱数据进行特征提取；将特征数据、土壤重金属含量数据以及重金属含量的历史数据作为改进的Elman神经网络模型的输入，构造出土壤重金属含量的预测模型，充分利用了Elman神经网络具有的动态特性，有效解决土壤中重金属含量随着时间迁移而变化的预测复杂问题。
为了避免Elman神经网络有太多的特征变量输入时，妨碍网络的收敛，影响预测精度，特利用堆栈自编码网络从大量的特征变量中提取出关键的特征。考虑到土壤中重金属含量随着时间迁移而变化，为提高预测模型的准确性，利用改进的Elman神经网络动态模型代替传统的BP预测模型，对Elman神经网络动态模型进行了基于历史土壤中重金属含量的数据的元素融入。本发明具有预测精度高、预测响应速度快的特点。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的基于Elman神经网络模型的土壤重金属含量预测方法，包括以下步骤：
第一步，样本数据的获取和预处理。将采集的土壤样本划分为训练样本和测试样本，利用LIBS技术获取训练样本中土壤的光谱数据形成训练数据。利用传统的化学方法检测确定训练数据的重金属含量，将其归为标签数据，将训练数据分为标签数据和无标签数据。
采集的土壤均经过去杂、风干处理、研磨、过筛、称取、编号等工序后，装袋进行密封保存；利用压片机制作成厚度均匀的圆柱形土壤样品；利用激光器作用于土壤样品表面，土壤样品被激发后在表面形成一层等离子体区域，用光谱仪采集等离子体信号，获取土壤样品中各种元素的特征谱线，即光谱数据进行收集。
第二步，构造基于堆栈自编码网络的Elman神经网络预测分析模型。
在此，考虑到Elman神经网络所特有的动态特性，能够较好地应用于土壤重金属含量迁移，特选用Elman神经网络代替传统的BP神经网络。但在Elman神经网络中，若输入特征变量较大，则会影响收敛速度，甚至影响预测结果。因此，在Elman神经网络上加入堆栈自编码网络，使得Elman神经网络的预测都经过堆栈自编码网络的降维处理，以使得充分利用Elman神经网络动态特性的同时，也避免了Elman神经网络所带来的运算量过大反而影响预测结果的问题。其具体步骤如下：
(1)按传统方式构建包括编码器和解码器的堆栈自编码网络，堆栈自编码网络包括多层神经网络模型，依次为一层输入层、多层隐藏层、一层输出层，即为输入层、第一层隐藏层、第二层隐藏层、第三层隐藏层、第n层隐藏层、输出层的结构。
(2)构建Elman神经网络，Elman神经网络依次包括输入层、隐藏层、作为输出层节点反馈的承接层和拥有动态回归神经网络模型的输出层。
(3)将训练样本的无标签数据作为堆栈自编码网络第一层输入层的输入，第二层隐藏层的输出作为第三层隐藏层的输入，第三层隐藏层的输出作为第四层隐藏层的输入，以此类推，最后一层隐藏层的输出作为最后一层输出层的输入。堆栈自编码网络第一层输入层的隐层单元为n1、第二层隐藏层的隐层单元为n2、第三层隐藏层的隐层单元为n3、第X层隐藏层的隐层单元为nx、最后一层输出层的隐层单元为nt。
(4)将堆栈自编码网络最后一层输出层的表征输出数据作为Elman神经网络输入层的输入，即经堆栈自编码网络提取后的特征作为Elman神经网络的输入。
(5)将堆栈自编码网络和Elman神经网络堆叠形成基于堆栈自编码的Elman神经网络模型。
第三步，对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练。利用无标签数据对基于堆栈自编码网络的Elman神经网络预测分析模型的堆栈自编码网络进行无监督训练。通过对高维数据进行特征提取以实现降维，从而利用降维后新的特征来表征原始数据，使得构建Elman模型之前进行数据预处理，降低时间和空间的复杂度。其具体步骤如下：
(1)获取无标签数据X＝{x1,x2,...,xr}，将xi∈Rn×1作为堆栈自编码网络的第i个输入向量，输入到具有d个神经元的编码器。
编码器通过非线性激活函数f得到编码zi∈Rd×1，其计算表达式如下：
zi＝sf(Wxi+b1)，
其中，W∈Rd×n是权重矩阵，b1∈Rd×1是编码层偏置向量。
(2)将zi输入到解码器，得到解码结果其计算表达式如下：
其中，sg为解码器的激活函数，WT∈Rn×d是权重矩阵W的装置，b2∈Rn×1是解码层偏置向量。
(3)通过最小化重构与原始输入数据xi,之间的误差代价进行特征提取，采用梯度下降法更新训练层与层之间的权值得到所提取的特征，使得之间的误差达到最小值，其代价函数如下：
第四步，基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练。
将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取，将已提取特征后预处理的标签数据和土壤重金属含量的历史数据输入基于堆栈自编码网络的Elman神经网络预测分析模型，对Elman神经网络预测分析模型进行有监督训练。其具体步骤如下：
(1)将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取；
(2)获取土壤重金属含量的历史数据，在此，土壤重金属含量的历史数据用于针对土壤重金属的迁移特性进行分析使用，该数据对数据预测的准确性具有极佳的逼近性能。
(3)将Elman神经网络预测分析模型定义如下：
其中，k为Elman神经网络的训练次数，y为输出向量，x为隐藏神经元输出向量，u为输入向量，yc为记忆输出层单元所反馈的前一时刻输出值，0≤α≤1为自连接反馈增益因子，W3、W2、W1分别为隐藏层到输出层、承接层到输出层、输入层到隐藏层的连接权值矩阵，f()和g()分别为隐藏层单元和输出层单元的激发函数所组成的非线性向量函数。
针对土壤重金属的迁移特性，对以下传统的Elman神经网络预测分析模型进行了相应的改进，
根据土壤重金属含量所特有的迁移特性问题，将上式中的xc(隐藏层单元所反馈的前一时刻输出值)替换为yc(记忆输出层单元所反馈的前一时刻输出值)，因此，改进后的Elman神经网络模型的输出向量y(k)依赖于隐藏神经元输出向量x和记忆输出层单元所反馈的前一时刻输出向量yc。
(4)对Elman神经网络预测分析模型的参数进行调整。利用传统梯度下降法计算参数的方法，但由于Elman神经网络预测分析模型进行了相应的改进，则其得出结果就不同，在此给出针对新的Elman神经网络预测分析模型参数调整的推导过程。
设第k次实际的输出为
误差指数函数为
分别计算E(k)对权值W3、W2、W1的偏导数并使其为0，得到改进的Elman神经网络预测分析模型训练方法。
A、将E(k)对隐藏层到输出层的连接权值W3求偏导，其计算如下：
其中，
令
B、将E(k)对隐藏层到输出层的连接权值W2求偏导，其计算如下：
不考虑yc,i(k)对的依赖，
C、将E(k)对隐藏层到输出层的连接权值W1求偏导，其计算如下：
(5)将提取特征后的标签数据和土壤重金属含量的历史数据输入Elman神经网络预测分析模型进行参数调整，对Elman神经网络预测分析模型进行训练，使得Elman神经网络预测分析模型具有分析预测能力。
第五步，土壤重金属含量的预测分析。将重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型，完成对测试样本土壤重金属含量的动态分析预测，从而分析实际结果与预测结果之间的差异，评价改进模型的优劣。其具体步骤如下：
(1)将测试样本的LIBS光谱数据输入到堆栈自编码网络进行特征提取。
(2)将提取特征后的预处理数据以及重金属含量的历史数据输入到改进Elman神经网络模型中，进行对测试样本土壤重金属含量的分析预测。
本方法在利用Elman神经网络模型中结合历史数据对预测分析模型进行构建，从而对现有土壤样本进行精准预测。由于土壤重金属含量的迁移特性对历史数据的依赖性，在Elman神经网络模型中将历史数据作为模型中的一部分，运用了科学的理论方法和严谨的逻辑思维。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，包括以下步骤：
11)样本数据的获取和预处理，将采集的土壤样本划分为训练样本和测试样本，利用LIBS技术获取训练样本中土壤的光谱数据形成训练数据，将训练数据分为标签数据和无标签数据；
12)构造基于堆栈自编码网络的Elman神经网络预测分析模型；
13)对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练，利用无标签数据对基于堆栈自编码网络的Elman神经网络预测分析模型的堆栈自编码网络进行无监督训练；
14)基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练，将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取，将已提取特征后预处理的标签数据和土壤重金属含量的历史数据输入基于堆栈自编码网络的Elman神经网络预测分析模型，对Elman神经网络预测分析模型进行有监督训练；
15)土壤重金属含量的预测分析，将土壤重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型中，完成对测试样本的土壤重金属含量的动态分析预测。
2.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述构造基于堆栈自编码网络改进的Elman神经网络预测分析模型包括以下步骤：
21)构建包括编码器和解码器的堆栈自编码网络，堆栈自编码网络包括多层神经网络模型，依次为一层输入层、多层隐藏层、一层输出层；
22)构建Elman神经网络，Elman神经网络依次包括输入层、隐藏层、作为输出层节点反馈的承接层和拥有动态回归神经网络模型的输出层；
23)将训练样本的无标签数据作为堆栈自编码网络第一层输入层的输入，堆栈自编码网络第一层输入层的输出作为第二层隐藏层的输入，上一层隐藏层的输出作为下一层隐藏层的输入，最后一层隐藏层的输出作为输出层的输入，堆栈自编码网络第一层输入层的隐层单元为n1、第二层隐藏层的隐层单元为n2、第三层隐藏层的隐层单元为n3、第X层隐藏层的隐层单元为nx、最后一层输出层的隐层单元为nt；
24)将堆栈自编码网络最后一层输出层的的表征输出数据作为Elman神经网络输入层的输入；
25)将堆栈自编码网络和Elman神经网络堆叠形成基于堆栈自编码的Elman神经网络模型。
3.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述对基于堆栈自编码网络的Elman神经网络预测分析模型进行无监督训练包括以下步骤：
31)获取无标签数据X＝{x1,x2,...,xr}，将xi∈Rn×1作为堆栈自编码网络的第i个输入向量，输入到具有d个神经元的编码器；编码器通过非线性激活函数f得到编码zi∈Rd×1，其计算表达式如下：
zi＝sf(Wxi+b1)，
其中，W∈Rd×n是权重矩阵，b1∈Rd×1是编码层偏置向量；
32)将zi输入到解码器，得到解码结果其计算表达式如下：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>g</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，sg为解码器的激活函数，WT∈Rn×d是权重矩阵W的装置，b2∈Rn×1是解码层偏置向量；
33)通过最小化重构与原始输入数据xi,之间的误差代价进行特征提取，采用梯度下降法更新训练层与层之间的权值得到所提取的特征，使得之间的误差达到最小值，其代价函数如下：
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>,</mo>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>s</mi>
<mi>g</mi>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<msub>
<mi>s</mi>
<mi>f</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>Wx</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述基于堆栈自编码网络的Elman神经网络预测分析模型进行有监督训练包括以下步骤：
41)将训练样本的标签数据输入到训练后的堆栈自编码网络中进行特征提取；
42)获取土壤重金属含量的历史数据；
43)将Elman神经网络预测分析模型定义如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>W</mi>
<mn>3</mn>
</msup>
<mi>x</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>W</mi>
<mn>2</mn>
</msup>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>W</mi>
<mn>1</mn>
</msup>
<mi>u</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&alpha;y</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，k为Elman神经网络的训练次数，y为输出向量，x为隐藏神经元输出向量，u为输入向量，yc为记忆输出层单元所反馈的前一时刻输出值，0≤α≤1为自连接反馈增益因子，W3、W2、W1分别为隐藏层到输出层、承接层到输出层、输入层到隐藏层的连接权值矩阵，f()和g()分别为隐藏层单元和输出层单元的激发函数所组成的非线性向量函数；
44)对Elman神经网络预测分析模型的参数进行调整，
设第k次实际的输出为
误差指数函数为
分别计算E(k)对权值W3、W2、W1的偏导数并使其为0，得到改进的Elman神经网络预测分析模型训练方法；
441)将E(k)对隐藏层到输出层的连接权值W3求偏导，其计算如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msubsup>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>q</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msubsup>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>q</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中，
令
442)将E(k)对隐藏层到输出层的连接权值W2求偏导，其计算如下：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
不考虑yc,i(k)对的依赖，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&alpha;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>+</mo>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
443)将E(k)对隐藏层到输出层的连接权值W1求偏导，其计算如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>q</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mi>q</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>r</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
45)将提取特征后的标签数据和土壤重金属含量的历史数据输入Elman神经网络预测分析模型进行参数调整，对Elman神经网络预测分析模型进行训练。
5.根据权利要求1所述的基于Elman神经网络模型的土壤重金属含量预测方法，其特征在于，所述土壤重金属含量的预测分析包括以下步骤：
51)将测试样本的LIBS光谱数据输入到堆栈自编码网络进行特征提取；
52)将提取特征后的预处理数据以及重金属含量的历史数据输入到改进Elman神经网络模型中，进行对测试样本土壤重金属含量的分析预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711281809.6A CN107844870B (zh) | 2017-12-07 | 2017-12-07 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711281809.6A CN107844870B (zh) | 2017-12-07 | 2017-12-07 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107844870A true CN107844870A (zh) | 2018-03-27 |
| CN107844870B CN107844870B (zh) | 2020-06-02 |
Family
ID=61663706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711281809.6A Active CN107844870B (zh) | 2017-12-07 | 2017-12-07 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107844870B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
| 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 |
| CN109839825A (zh) * | 2019-01-28 | 2019-06-04 | 华东交通大学 | 一种稀土萃取过程组分含量的预测控制方法及*** |
| CN112614552A (zh) * | 2021-01-04 | 2021-04-06 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及*** |
| CN116679033A (zh) * | 2023-06-07 | 2023-09-01 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种工业污染场地土壤砷环境风险的判定方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060020563A1 (en) * | 2004-07-26 | 2006-01-26 | Coleman Christopher R | Supervised neural network for encoding continuous curves |
| US20070239640A1 (en) * | 2001-10-22 | 2007-10-11 | Coppola Emery J Jr | Neural Network Based Predication and Optimization for Groundwater / Surface Water System |
| CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及*** |
| 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 |
| CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
-
2017
- 2017-12-07 CN CN201711281809.6A patent/CN107844870B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070239640A1 (en) * | 2001-10-22 | 2007-10-11 | Coppola Emery J Jr | Neural Network Based Predication and Optimization for Groundwater / Surface Water System |
| US20060020563A1 (en) * | 2004-07-26 | 2006-01-26 | Coleman Christopher R | Supervised neural network for encoding continuous curves |
| CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及*** |
| 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 |
| CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 夏林: "基于全噪声自动编码器的深度神经网络优化算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王儒敬 等: "基于深度稀疏学习的土壤近红外光谱分析预测模型", 《发光学报》 * |
| 邵月红 等: "基于Elman动态神经网络的土壤墒情预测研究", 《水土保持通报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108426812A (zh) * | 2018-04-08 | 2018-08-21 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
| CN108426812B (zh) * | 2018-04-08 | 2020-07-31 | 浙江工业大学 | 一种基于记忆神经网络的pm2.5浓度值预测方法 |
| 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 |
| CN109839825A (zh) * | 2019-01-28 | 2019-06-04 | 华东交通大学 | 一种稀土萃取过程组分含量的预测控制方法及*** |
| CN109839825B (zh) * | 2019-01-28 | 2022-04-12 | 华东交通大学 | 一种稀土萃取过程组分含量的预测控制方法及*** |
| CN112614552A (zh) * | 2021-01-04 | 2021-04-06 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及*** |
| CN112614552B (zh) * | 2021-01-04 | 2022-06-07 | 武汉轻工大学 | 基于bp神经网络的土壤重金属含量预测方法及*** |
| CN116679033A (zh) * | 2023-06-07 | 2023-09-01 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种工业污染场地土壤砷环境风险的判定方法及*** |
| CN116679033B (zh) * | 2023-06-07 | 2024-01-23 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种工业污染场地土壤砷环境风险的判定方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107844870B (zh) | 2020-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107844870A (zh) | 基于Elman神经网络模型的土壤重金属含量预测方法 | |
| US10957419B2 (en) | Method and apparatus for new material discovery using machine learning on targeted physical property | |
| Manouchehrian et al. | Application of artificial neural networks and multivariate statistics to estimate UCS using textural characteristics | |
| CN107179291B (zh) | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 | |
| CN108664687A (zh) | 一种基于深度学习的工控***时空数据预测方法 | |
| CN108169745A (zh) | 一种基于卷积神经网络的钻孔雷达目标识别方法 | |
| CN107273490A (zh) | 一种基于知识图谱的组合错题推荐方法 | |
| CN107044976A (zh) | 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 | |
| CN110309867B (zh) | 一种基于卷积神经网络的混合气体识别方法 | |
| CN108776831A (zh) | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 | |
| CN109975273A (zh) | 一种基于激光诱导击穿光谱的岩石分类方法 | |
| CN101915753A (zh) | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 | |
| CN109034127A (zh) | 一种频谱异常检测方法、装置和电子设备 | |
| CN108710974A (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
| CN109460471A (zh) | 一种基于自学习的方式建立纤维种类图谱库的方法 | |
| CN106127242A (zh) | 基于集成学习的年极端降水预测***及其预测方法 | |
| CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| CN102902981A (zh) | 基于慢特征分析的暴力视频检测方法 | |
| CN107132266A (zh) | 一种基于随机森林的水质分类方法及*** | |
| CN103967478A (zh) | 一种基于电导探针的垂直井流型辨识方法 | |
| CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
| CN108229062A (zh) | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 | |
| CN105715253A (zh) | 一种气井井底流压的预测方法 | |
| CN107528824A (zh) | 一种基于二维度稀疏化的深度信念网络入侵检测方法 | |
| Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy |
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 |