運用深度學習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，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。在對光譜進行定性分析時，若采用全譜建模，則必然會帶進一些噪音和干擾，從而影響模型提取光譜信息特征。因此，為解決這些問題，本文提出了對原始光譜進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，并介紹了深度學習的基本思想和實現(xiàn)過程，并對自編碼網(wǎng)絡、稀疏自編碼網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)及算法推導進行針對性分析，為本文后續(xù)研究提供了理論支撐。
　　2、通過對煙葉原料近紅外光譜的分析可知，若對全光譜的幾千個特征變量進行建模，計算量大，且易形成過擬合。本文提出利用競爭性自適應重加權(quán)算法CARS對煙葉原料近紅外光譜的特征波長進行提取，結(jié)合偏最小二乘算法，并建立多個煙葉煙堿的校正模型，通過和不進行波段選

3、擇以及用無信息變量消除法進行波段選擇建立模型進行對比。研究表明，通過CARS法建立的模型，僅用32個波長點就能反映全波段256個特征變量的全部信息，同時只需提取3個主成分，而全波段需要12個，大幅度減少了模型計算復雜性，相比之下，CARS方法建立的模型對外部的驗證能力較強，平均相對誤差較小，減少了不必要的噪聲，以及各個波長點之間的多元共線性，提高了模型的精度，與PLS結(jié)合后建立的模型預測能力更強，穩(wěn)健性更好，驗證了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習算法對煙葉原料近紅外光譜進行特征提取，構(gòu)建了一種稀疏自動編碼網(wǎng)絡和卷積神經(jīng)網(wǎng)絡融合的SAECNN特征提取算法。通過SAE預訓練網(wǎng)絡，優(yōu)化CNN結(jié)構(gòu)和內(nèi)部參數(shù)，并與PCA算法和ISOMAP算法進行特征提取的可視化對比分析。研究表明，構(gòu)建的SAECNN方法在三個煙葉產(chǎn)地識別中達到的最高正確率和平均正確率分別為95.47％和95.1