• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于壓縮自編碼融合極限學(xué)習(xí)機(jī)的柑橘黃龍病鑒別方法

      2019-06-13 00:46:01路皓翔徐明昌張衛(wèi)東楊輝華劉振丙
      分析化學(xué) 2019年5期
      關(guān)鍵詞:極限學(xué)習(xí)機(jī)近紅外光譜

      路皓翔 徐明昌 張衛(wèi)東 楊輝華 劉振丙

      摘?要?針對(duì)柑橘黃龍病檢測(cè)模型的準(zhǔn)確度較低、可靠性較差等問題,提出了一種壓縮自編碼融合極限學(xué)習(xí)機(jī)(Contractive auto-encoder combined extreme learning machine,CAE-ELM)的柑橘黃龍病鑒別方法。此方法通過ELM代替CAE頂層的Softmax分類器和反向微調(diào)階段,達(dá)到減少算法運(yùn)行時(shí)間同時(shí)提高模型的穩(wěn)定性及鑒別能力的目的。其中,CAE實(shí)現(xiàn)了樣本深層特征提取,ELM可實(shí)現(xiàn)分類鑒別。為了評(píng)估CAE-ELM模型性能,以不同比例的柑橘葉片近紅外光譜數(shù)據(jù)作為訓(xùn)練集進(jìn)行實(shí)驗(yàn),采用波形疊加極限學(xué)習(xí)機(jī)(Summation wavelet extreme learning machine, SWELM)、ELM、支持向量機(jī)(Support vector machine, SVM)、堆疊去噪自編碼(Stacked denoising auto-encoder, SDAE)、反向傳播模型(Back propagation, BP)、CAE作為對(duì)比方法。在柑橘黃龍病的鑒別實(shí)驗(yàn)中,無論訓(xùn)練集樣本大小,CAE-ELM均能保持最高的分類準(zhǔn)確度,尤其當(dāng)訓(xùn)練集與測(cè)試集為1080/165時(shí)分類準(zhǔn)確度達(dá)100.00。同時(shí),CAE-ELM模型比SDAE、CAE和BP模型具有更快的訓(xùn)練速度,但慢于SVM、ELM和SWELM模型。結(jié)果表明,CAE-ELM模型可以準(zhǔn)確鑒別柑橘黃龍病,且模型具有良好的魯棒性和可擴(kuò)展性。

      關(guān)鍵詞?壓縮自編碼; 極限學(xué)習(xí)機(jī); 近紅外光譜; 柑橘黃龍病

      1?引 言

      近年來,化學(xué)計(jì)量學(xué)結(jié)合光譜分析技術(shù)已經(jīng)廣泛用于各個(gè)行業(yè)和產(chǎn)業(yè)[1~4],其中近紅外光譜分析技術(shù)具有檢測(cè)準(zhǔn)確度高、無污染、高效的優(yōu)點(diǎn),受到廣泛關(guān)注。柑橘黃龍病是柑橘產(chǎn)業(yè)的毀滅性病害,在我國的廣西、江西、湖南等柑橘主產(chǎn)區(qū)傳播廣泛[5]。因無有效的根治方法,一旦柑橘樹發(fā)病,通常只能將果樹砍掉,所以又被稱為柑橘樹的“癌癥”。

      黃龍病病菌是一種依靠木虱進(jìn)行傳播的類細(xì)菌病原體[6,7],柑橘樹一旦感染該病菌,會(huì)導(dǎo)致其根須腐爛,在很短的時(shí)間內(nèi)喪失結(jié)果的能力,造成極大的損失。研究人員針對(duì)柑橘黃龍病的檢測(cè)進(jìn)行了深入的研究[8,9]。Sankaran等[10]采用可見-近紅外光譜對(duì)柑橘黃龍病進(jìn)行檢測(cè)研究,為近紅外光譜用于柑橘黃龍病的檢測(cè)提供了理論基礎(chǔ)。Mishra等[11]采用K近鄰(K Nearest neighbor,KNN)、邏輯回歸(Logistic regression,LR)和SVM分類器對(duì)柑橘葉片的近紅外光譜信息進(jìn)行鑒別,準(zhǔn)確度>90%,然而其針對(duì)的是同一棵果樹上不同葉片的光譜信息。Pourez等[12]針對(duì)高光譜數(shù)據(jù)維度高、共線性等問題,采用特征篩選技術(shù)對(duì)柑橘黃龍病進(jìn)行檢測(cè)。Maja等[13]以可見近紅外和熱成像波段的平均反射率數(shù)據(jù)為研究對(duì)象,采用SVM對(duì)柑橘黃龍病進(jìn)行檢測(cè),其準(zhǔn)確度僅為85%。劉燕德等[14]采用無信息變量消除(Uninformative variable elimination, UVE)結(jié)合連續(xù)投影算法(Successive projections algorithm, SPA)對(duì)柑橘葉片光譜特征進(jìn)行篩選,然后利用偏最小二乘支持向量機(jī)(Partial least squares support vector machine, LS-SVM)對(duì)篩選出來的光譜特征進(jìn)行鑒別,其最大誤判率為11.9%。Chen等[15]采用微型紅外光譜儀采集柑橘葉片的光譜數(shù)據(jù),并利用偏最小二乘法判別分析(Partial least squares discrimination analysis, PLS-DA)建立了柑橘黃龍病的定性判別模型。劉燕德等[16]基于模型平均理論結(jié)合可見與近紅外光譜分析技術(shù)實(shí)現(xiàn)了柑橘葉片黃龍病感染程度的分級(jí)檢測(cè)。孫旭東等[17]采用高光譜技術(shù),應(yīng)用峰值比判別模型和PLS-DA模型構(gòu)成兩步判別法,實(shí)現(xiàn)了柑橘葉片正常、缺素和黃龍病的鑒別。然而,近紅外光譜分析技術(shù)在柑橘黃龍病檢測(cè)方面的研究相對(duì)較少,且已有的方法存在檢測(cè)準(zhǔn)確度低、模型魯棒性較差等問題。

      深度學(xué)習(xí)屬于一種典型的無監(jiān)督特征學(xué)習(xí),能夠更好地提取樣本深層特征,在醫(yī)學(xué)圖像處理、汽車輔助駕駛、藥品鑒別及智慧城管等領(lǐng)域應(yīng)用廣泛[18,19]。由于近紅外光譜數(shù)據(jù)的維度相對(duì)較高,為了提高近紅外光譜分析模型的穩(wěn)定性和可靠性,研究者嘗試將深度學(xué)習(xí)應(yīng)用于近紅外光譜分析領(lǐng)域,如真假藥品鑒別[20,21]、土壤含水率預(yù)測(cè)[22]、食品品質(zhì)鑒別[23]和煙草鑒別[24]等方面。

      本研究提出了一種基于CAE和ELM的近紅外光譜柑橘黃龍病檢測(cè)鑒別方法。以廣西桂林市某果園采集的柑橘葉片近紅外光譜數(shù)據(jù)為實(shí)例進(jìn)行分類鑒別實(shí)驗(yàn),對(duì)CAE-ELM模型在分類準(zhǔn)確率、算法穩(wěn)定性及運(yùn)行時(shí)間3個(gè)方面的性能進(jìn)行評(píng)估,并與SVM、SDAE、BP(兩層)、SWELM、ELM及CAE模型進(jìn)行對(duì)比。結(jié)果表明,本方法能夠?qū)崿F(xiàn)柑橘黃龍病的鑒別,方法準(zhǔn)確可靠。

      2?CAE-ELM鑒別模型

      CAE是一種神經(jīng)自編碼網(wǎng)絡(luò)[25],采用雅克比矩陣F范數(shù)的平方作為誤差約束項(xiàng),通過雅克比矩陣F提取樣本數(shù)據(jù)在各個(gè)方向的特征,實(shí)現(xiàn)數(shù)據(jù)降維,然后利用Softmax分類器進(jìn)行分類。ELM作為一種單隱層神經(jīng)網(wǎng)絡(luò),具有較高的分類準(zhǔn)確度和較強(qiáng)的非線性建模能力[26]。將CAE結(jié)合ELM提出了一種新的柑橘黃龍病的鑒別模型,具體CAE-ELM模型結(jié)構(gòu)如圖1所示,此模型采用ELM代替CAE頂層的Softmax分類器和反向微調(diào)階段,不僅縮短了模型的運(yùn)行時(shí)間,而且提高了模型的鑒別準(zhǔn)確度。

      CAE-ELM模型主要分為特征提取和分類鑒別兩個(gè)階段,首先將多個(gè)CAE堆疊在一起形成棧式CAE對(duì)柑橘葉片光譜數(shù)據(jù)中深層特征進(jìn)行提取,然后將提取的深層特征送入ELM模型中進(jìn)行鑒別。假設(shè)訓(xùn)練集為x(n), y(n)Nn=1, 具體過程如下:

      2.1?深層特征的提取

      (1)編碼過程: 從模型的輸入層到隱含層主要實(shí)現(xiàn)原始數(shù)據(jù)x(n)的編碼:

      (2)解碼過程: 從隱含層到CAE網(wǎng)絡(luò)的輸出層主要實(shí)現(xiàn)多個(gè)隱含層提取的樣本特征的解碼:

      CAE網(wǎng)絡(luò)在數(shù)據(jù)解碼重構(gòu)時(shí),通過在損失函數(shù)中加入雅克比矩陣F范數(shù)的平方作為約束項(xiàng),即

      2.2?分類鑒別階段

      將CAE網(wǎng)絡(luò)在Stage I階段提取的樣本特征n送入到ELM中實(shí)現(xiàn)分類,其中ELM網(wǎng)絡(luò)的閾值根據(jù)默認(rèn)值設(shè)置為0.5。樣本特征送入到ELM網(wǎng)絡(luò)后,通過有監(jiān)督學(xué)習(xí)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)使網(wǎng)絡(luò)輸出的樣本標(biāo)簽與實(shí)際標(biāo)簽之間誤差趨于零,即:

      3?實(shí)驗(yàn)部分

      3.1?實(shí)驗(yàn)數(shù)據(jù)

      3.1.1?實(shí)驗(yàn)材料?柑橘葉片采自廣西桂林市某柑橘種植基地。為了保證采集到的樣品具有差異性,將該柑橘種植基地劃分為4個(gè)區(qū)域,并在每個(gè)區(qū)域選取5棵間距大于15 m的果樹,然后分別在柑橘樹不同層、不同方向采集柑橘葉片。

      3.1.2?樣品制備?柑橘葉片用干凈的自來水洗凈,再用蒸餾水葉片2~3次,去除葉片表面雜質(zhì)對(duì)光譜數(shù)據(jù)采集的干擾; 然后,將葉片置于陰涼處陰干。采用實(shí)時(shí)熒光定量PCR方法對(duì)陰干后的葉片進(jìn)行篩選,其中,患有黃龍病葉片的PCR測(cè)試為陰性標(biāo)記為0,未患有黃龍病葉片的PCR測(cè)試為陽性標(biāo)記為1;

      最后,將標(biāo)記好的葉片分類裝在自封袋里封存。

      3.1.3?葉片光譜采集?采用布魯克MPA Ⅱ型光譜儀測(cè)得每個(gè)柑橘葉片不同波長(zhǎng)對(duì)應(yīng)的吸光度值,進(jìn)而得到其近紅外光譜曲線。每個(gè)葉片采集3條光譜,并取平均光譜作為該葉片的光譜曲線。光譜儀采樣波長(zhǎng)為950~1650 nm,采樣間隔為1 nm,共1245條光譜,每條光譜701個(gè)吸光點(diǎn)。柑橘葉片的近紅外光譜信息如表1所示。

      3.2?數(shù)據(jù)預(yù)處理

      采集到的全部柑橘葉片近紅外光譜信息如圖2所示,柑橘葉片的光譜數(shù)據(jù)中存在與光譜信息無關(guān)的電噪聲、雜散光等,這些信息會(huì)對(duì)近紅外光譜分析模型的建立產(chǎn)生消極影響,因此,在利用其建立柑橘黃龍病鑒別模型時(shí)需進(jìn)行預(yù)處理。

      數(shù)據(jù)預(yù)處理方法會(huì)對(duì)模型的鑒別結(jié)果產(chǎn)生影響,因此需要選擇適合柑橘葉片光譜數(shù)據(jù)的預(yù)處理方法。以測(cè)試集/訓(xùn)練集數(shù)目為720/525為例進(jìn)行鑒別實(shí)驗(yàn),結(jié)果如表2所示,CAE-ELM對(duì)經(jīng)過小波變換預(yù)處理后的光譜數(shù)據(jù)的分類鑒別準(zhǔn)確度更高,且預(yù)測(cè)標(biāo)準(zhǔn)偏差更小。這主要是由于小波變換通過對(duì)柑橘葉片光譜進(jìn)行時(shí)間、頻率的局部變換,在較小范圍內(nèi)將有用信息置為非零值,實(shí)現(xiàn)有用信息的篩選,同時(shí)能夠消除光譜數(shù)據(jù)中存在的噪聲和基線偏移[27,28],提高模型鑒別的準(zhǔn)確度和穩(wěn)定性。因此,本實(shí)驗(yàn)采用小波變換對(duì)柑橘葉片光譜數(shù)據(jù)進(jìn)行預(yù)處理。

      3.3?ELM中隱含層數(shù)目的確定

      研究表明,ELM網(wǎng)絡(luò)中隱含層神經(jīng)元的數(shù)目對(duì)模型鑒別的準(zhǔn)確度會(huì)產(chǎn)生較大的影響,因此需要設(shè)置合理的隱含層神經(jīng)元的數(shù)目。在ELM網(wǎng)絡(luò)中,隱含層神經(jīng)元的數(shù)目記為:

      采用柑橘葉片樣品的近紅外光譜數(shù)據(jù),將訓(xùn)練集從120到1080,按照每次遞增120個(gè)樣本進(jìn)行柑橘葉片黃龍病的鑒別實(shí)驗(yàn),結(jié)果如圖3所示,當(dāng)ELM網(wǎng)絡(luò)中隱含層神經(jīng)元比例參數(shù)(Ratio)在0.2~0.5時(shí),不同規(guī)模訓(xùn)練集的二分類鑒別實(shí)驗(yàn)均保持較高的檢測(cè)鑒別準(zhǔn)確度,當(dāng)Ratio=0.3時(shí)準(zhǔn)確度基本均達(dá)到最高。

      3.4?CAE中壓縮系數(shù)的確定

      壓縮系數(shù)λ是CAE網(wǎng)絡(luò)中極為重要的參數(shù),合適的壓縮系數(shù)λ能使網(wǎng)絡(luò)提取出具有局部不變性且更能表征樣本屬性的深層特征,因此,在建立CAE-ELM鑒別模型時(shí)需要確定壓縮系數(shù)λ的大小。當(dāng)柑橘葉片光譜數(shù)據(jù)的訓(xùn)練集從120到1080每次遞增120個(gè)樣本時(shí),CAE網(wǎng)絡(luò)的鑒別準(zhǔn)確度和壓縮系數(shù)λ之間的關(guān)系如圖4所示。壓縮系數(shù)λ選取為0.002附近時(shí),各個(gè)比例訓(xùn)練集樣本均取得較高的準(zhǔn)確度。因此,本實(shí)驗(yàn)選取壓縮系數(shù)λ=0.002。

      3.5?鑒別模型的建立

      CAE-ELM模型采用MATLAB 2014a作為編碼工具,仿真實(shí)驗(yàn)運(yùn)行在Inter (R) Core(TM) i5-5200U處理器上。CAE-ELM模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為701-400-200-train×0.3-2(train為訓(xùn)練集樣本個(gè)數(shù)),其中ELM的源程序源自黃廣斌等于2006年開發(fā)的ELM工具箱(http://www.ntu.edu.sg/home/egbhuang/elm_codes.html)。CAE-ELM模型實(shí)現(xiàn)柑橘黃龍病的檢測(cè)過程如下所述:

      (1)數(shù)據(jù)預(yù)處理: 首先需要采用小波變換(尺度值Scale=3,母小波波長(zhǎng)設(shè)為32×Scale)對(duì)樣品光譜數(shù)據(jù)進(jìn)行預(yù)處理,消除葉片光譜數(shù)據(jù)中存在的噪聲、基線漂移等。

      (2)預(yù)訓(xùn)練階段: 將經(jīng)過預(yù)處理后的數(shù)據(jù)送入CAE網(wǎng)絡(luò)中實(shí)現(xiàn)深層特征的提取。其中,CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為701-400-200,最大迭代次數(shù)設(shè)置為200,學(xué)習(xí)率設(shè)置為0.1,激活函數(shù)采用Sigmoid,誤差函數(shù)函數(shù)采用均方根誤差。

      (3)ELM微調(diào)階段: 采用ELM網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的反向傳播算法對(duì)CAE的參數(shù)進(jìn)行優(yōu)化,其中ELM網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為200-train×0.3-2,迭代次數(shù)設(shè)置為100,激活函數(shù)采用Sigmoid。

      (4)測(cè)試階段: 將測(cè)試數(shù)據(jù)送入到訓(xùn)練好的CAE-ELM模型中進(jìn)行分類鑒別,實(shí)現(xiàn)柑橘黃龍病的早期檢測(cè)。

      (5)對(duì)比階段: 采用SVM、SDAE、BP(兩層)、SWELM、ELM和CAE模型作為對(duì)比方法。其中,SDAE模型結(jié)構(gòu)為701-400-100-2,激活函數(shù)采用Sigmoid,迭代次數(shù)設(shè)置為50,兩層學(xué)習(xí)率均設(shè)置為0.03,頂層分類器采用Softmax; SVM采用線性核函數(shù),參數(shù)設(shè)置為c=1,Gamma=0.3; ELM和SWELM的網(wǎng)絡(luò)結(jié)構(gòu)均設(shè)置為701-train×0.3-2; BP網(wǎng)絡(luò)選用兩層網(wǎng)絡(luò),結(jié)構(gòu)設(shè)置為701-300-100-2,激活函數(shù)采用Sigmoid,迭代次數(shù)設(shè)置為50,兩層學(xué)習(xí)率均設(shè)置為0.05。CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置701-400-200-2,激活函數(shù)選用Sigmoid,迭代次數(shù)設(shè)置為60,學(xué)習(xí)率設(shè)置為0.05,頂層分類器采用Softmax。

      4?結(jié)果與討論

      4.1?柑橘葉片光譜特征分析

      由于葉片是由多種有機(jī)物混合而組成的,這些有機(jī)物分子中包含多個(gè)CH、OH和NH等含氫基團(tuán),而近紅外光譜主要反映了含氫基團(tuán)分子振動(dòng)的倍頻和合頻吸收[29]。患有黃龍病和正常兩類柑橘葉片的代

      表性近紅外光譜如圖5所示,黃龍病和正常柑橘葉片的光譜在1100~1400 nm和1500~1600 nm波段范圍內(nèi)存在基線漂移現(xiàn)象。此外,在原始光譜波段為1450 nm處存在明顯的吸收峰,這是由于葉片組成中含氫鍵倍頻伸縮振動(dòng)引起的。此外,黃龍病葉片和正常葉片在吸收峰處存在明顯的差異,且黃龍病葉片的吸光度更大,這可能是由于患有黃龍病的葉片阻礙了水分吸收,同時(shí)加速了糖類物質(zhì)的分解,導(dǎo)致葉片的含氫基團(tuán)減少造成的。

      4.2?數(shù)據(jù)集配置

      為了評(píng)價(jià)CAE-ELM模型對(duì)柑橘葉片近紅外光譜數(shù)據(jù)的鑒別能力,利用表1的數(shù)據(jù)集進(jìn)行二分類實(shí)驗(yàn),并與其它模型進(jìn)行對(duì)比評(píng)價(jià)。為了驗(yàn)證訓(xùn)練集大小對(duì)CAE-ELM模型的影響,按表3構(gòu)造9個(gè)不同大小的訓(xùn)練集樣本,其中正負(fù)類樣本數(shù)目按表3所示大小隨機(jī)抽取,然后根據(jù)訓(xùn)練集的數(shù)目分別對(duì)CAE-ELM模型進(jìn)行配置,并將此基礎(chǔ)上運(yùn)行10次的均值作為各模型的分類準(zhǔn)確度、訓(xùn)練時(shí)間及算法穩(wěn)定性的性能參考值。

      4.3?黃龍病的鑒別

      在柑橘葉片是否患有黃龍病的鑒別中,鑒別的準(zhǔn)確度是一個(gè)關(guān)鍵指標(biāo)。本實(shí)驗(yàn)采用SWELM、ELM、SVM、SDAE、BP和CAE作為對(duì)比方法,按表3所示的數(shù)據(jù)集對(duì)各個(gè)模型進(jìn)行獨(dú)立的設(shè)置,各模型運(yùn)行10次的平均鑒別準(zhǔn)確度和預(yù)測(cè)標(biāo)準(zhǔn)差如表4所示,針對(duì)不同比例柑橘葉片訓(xùn)練集,BP(2層)、SDAE和SWELM具有相似的準(zhǔn)確度,但低于SVM和CAE-ELM,說明其非線性建模的能力較弱,對(duì)于柑橘葉片鑒別的準(zhǔn)確度和可靠性較差。無論數(shù)據(jù)集的規(guī)模多少,CAE的鑒別準(zhǔn)確度均較低,說明CAE非線性建模能力較差,即對(duì)柑橘葉片的鑒別結(jié)果和可靠性較差。CAE-ELM較ELM和CAE表現(xiàn)出較高的分類準(zhǔn)確度,表明該模型在柑橘葉片是否患有黃龍病的檢測(cè)中較其它模型更為可靠。尤其當(dāng)訓(xùn)練/測(cè)試集為1080/165時(shí),CAE-ELM的分類準(zhǔn)確度可以達(dá)到100%,說明此比例下模型可準(zhǔn)確識(shí)別出患病的柑橘葉片。這是由于CAE具有較好的特征提取能力,隨著柑橘葉片光譜數(shù)據(jù)的增多,CAE能夠提取更豐富的特征,更有利于ELM進(jìn)行分類。此外,無論數(shù)據(jù)集的規(guī)模多少,SVM均表現(xiàn)出較高的分類準(zhǔn)確度,但低于CAE-ELM,表明SVM模型也可用于柑橘患有黃龍病的鑒別,但稍弱于CAE-ELM模型。

      算法的穩(wěn)定性決定了模型的應(yīng)用和推廣能力,本研究采用預(yù)測(cè)標(biāo)準(zhǔn)差作為各模型穩(wěn)定性的評(píng)價(jià)指標(biāo)。針對(duì)表2所示9個(gè)不同規(guī)模的訓(xùn)練集進(jìn)行獨(dú)立的實(shí)驗(yàn),各個(gè)模型的預(yù)測(cè)標(biāo)準(zhǔn)差如圖6所示,SVM算法的穩(wěn)定性不及CAE-ELM模型,但優(yōu)于ELM、SWELM、SDAE、BP模型,說明SVM模型在柑橘黃龍病的鑒別中的穩(wěn)定性較好。SWELM在柑橘黃龍病的檢測(cè)鑒別中的穩(wěn)定性低于其它模型。CAE-ELM模型對(duì)于不同規(guī)模訓(xùn)練集的預(yù)測(cè)標(biāo)準(zhǔn)差均較小,表明其對(duì)柑橘葉片患病的檢測(cè)性能較其它模型更為穩(wěn)定、可靠。

      在柑橘黃龍病的檢測(cè)鑒別中,除了要求模型的鑒別準(zhǔn)確度較高和穩(wěn)定性較強(qiáng)外,還需具有較快的運(yùn)行時(shí)間。針對(duì)表2所示不同規(guī)模的訓(xùn)練集對(duì)各個(gè)模型的運(yùn)行時(shí)間進(jìn)行評(píng)估,結(jié)果如表5。由于BP和SDAE模型需采用反向微調(diào)策略對(duì)模型的參數(shù)進(jìn)行優(yōu)化,這大大延長(zhǎng)了模型的訓(xùn)練時(shí)間,而CAE模型中引入了雅可比矩陣F范數(shù)的平方作為約束條件,使得模型無需達(dá)到實(shí)驗(yàn)設(shè)置的最大迭代次數(shù),即可實(shí)現(xiàn)最優(yōu)解的求解,因此在運(yùn)行時(shí)間方面,CAE較BP和SDAE模型存在優(yōu)勢(shì)。此外,由于SWELM、ELM和SVM不需要復(fù)雜的特征提取過程,也不需要對(duì)其進(jìn)行預(yù)訓(xùn)練,因此在運(yùn)行時(shí)間方面均具有明顯的優(yōu)勢(shì)。在CAE-ELM模型中,CAE中雅克比矩陣F范數(shù)的平方約束條件大大縮減了求解最優(yōu)解值的迭代次數(shù),同時(shí),采用ELM代替CAE頂層的Softmax分類器和反向參數(shù)微調(diào)過程,使其運(yùn)行時(shí)間較BP、CAE和SDAE具有明顯優(yōu)勢(shì)。

      為了說明測(cè)試集樣本保持不變情況下,構(gòu)成測(cè)試集正、負(fù)類樣本變化對(duì)CAE-ELM模型的影響, 以訓(xùn)練集/測(cè)試集數(shù)目為720/525為例,調(diào)整訓(xùn)練集負(fù)/正類樣本為120/600、240/480、360/360,其中正負(fù)類樣本從表1所示的數(shù)據(jù)集中隨機(jī)抽取,剩余的樣本作為測(cè)試集, 并將此基礎(chǔ)上運(yùn)行10次的均值作為各模型的分類準(zhǔn)確度,各模型運(yùn)行10次的平均鑒別準(zhǔn)確度和預(yù)測(cè)標(biāo)準(zhǔn)差如表6所示。 當(dāng)訓(xùn)練集樣本中正負(fù)樣本比例發(fā)生變化時(shí),各模型的性能均受到一定程度的影響,其中SVM的分類準(zhǔn)確度受其影響最大,當(dāng)訓(xùn)練集中負(fù)樣本數(shù)為120時(shí), 分類準(zhǔn)確度為90.99%,負(fù)樣本數(shù)為360時(shí),鑒別準(zhǔn)確度為93.01%。無論訓(xùn)練集樣本比例如何變化,CAE-ELM鑒別模型均能保持約99.7%,且預(yù)測(cè)標(biāo)準(zhǔn)差約為0,表明CAE-ELM模型的鑒別能力不受測(cè)試集樣本構(gòu)成的影響。

      5?結(jié) 論

      本研究結(jié)合多層CAE和ELM提出了一種柑橘黃龍病的檢測(cè)方法,采用ELM代替CAE頂層的Softmax分類器和反向微調(diào)的過程,既結(jié)合了CAE較好的深層特征提取能力,也結(jié)合了ELM算法收斂性快、分類準(zhǔn)確度高等優(yōu)點(diǎn)。并針對(duì)柑橘葉片的近紅外光譜數(shù)據(jù)為實(shí)例進(jìn)行鑒別實(shí)驗(yàn),無論訓(xùn)練集樣本規(guī)模大小,CAE-ELM模型均較其它模型具有較高的分類準(zhǔn)確度、更快的訓(xùn)練速度。尤其當(dāng)訓(xùn)練集/測(cè)試集為1080/165時(shí),模型的分類準(zhǔn)確率達(dá)100.00。 研究表明,此模型在訓(xùn)練準(zhǔn)確度、穩(wěn)定性和運(yùn)行時(shí)間方面均表現(xiàn)出較好的效果,可用于柑橘黃龍病的鑒別。

      References

      1?Chapelle M L D L, Lefrant S, Journet C, Maserb K W, Bernierb P, Loiseauc A. Carbon, 1998, 36(5): 705-708

      2?REN Xiang-Nan, LIANG Qiong-Lin. Journal of Instrumental Analysis, ?2017, ?36(2): 161-169

      任向楠, 梁瓊麟. 分析測(cè)試學(xué)報(bào), 2017, ?36(2): 161-169

      3?Zhou B, Li Y, Niu G, Lan M, Jia Q, Liang Q. ACS Appl. Mater. Interfaces, ?2016, ?8(44): 29899-29905

      4?XIE Yue, ZHOU Cheng, TU Cong, ZHANG Zu-Liang, WANG Jian-Fei. Chinese J. Anal. Chem., ?2017, ?45(3): 363-368

      謝 越, 周 成, 涂 從, 張祖亮, 汪建飛. ?分析化學(xué), 2017, ?45(3): 363-368

      5?ZHAI Ming-Yang, ZHAO Yuan, GAO Hao. Chinese J. Anal. Chem., ?2018, ?46(6): 896-901

      翟明陽, 趙 遠(yuǎn), 高 浩. ?分析化學(xué), 2018, ?46(6): 896-901

      6?Graa D J V, Douhan G W, Halbert S E, Lee R F, Vidalakis G. J. Integr. Plant. Biol., ?2016, ?58(4): 373-387

      7?Balan B, Ibez A M, Dandekar A M, Caruso T, Martinelli F. Front. Plant. Sci., ?2018, ?9(1): 277

      8?WAN Shuang, XIAO Wan-Yu, HUANG Jiang-Hua. Journal of Zhongkai University of Agriculture and Engineering, ?2018, ?31(1): 1674-1681

      萬 爽, 肖婉鈺, 黃江華. ?仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào), 2018, ?31(1): 1674-168

      9?LIU Yan-De, YE Ling-Yu, SUN Xu-Dong, HAN Ru-Bing, XIAO Huai-Chun, MA Kui-Rong, ZHU Dan-Ning, WU Ming-Ming. Chinese Optics., 2018, 11(1): 83-91

      劉燕德, 葉靈玉, 孫旭東, 韓如冰, 肖懷春, 馬奎榮, 朱丹寧, 吳明明. 中國光學(xué), 2018, 11(1): 83-91

      10?Sankaran S, Ehsani R. Crop. Prot., ?2011, ?30(11): 1508-1513

      11?Mishra A R,Karimi D, Ehsani R. T. Asabe., ?2012, ?55(2): 711-720

      12?Pourreza A, Lee W S, Raveh E, Ehsani R, Etxeberria E. T. Asabe., ?2014, ?57(57): 259-272

      13?Sankaran S, Maja J M, Buchanon S, Ehsani R. Sensors, ?2013, ?13(2): 2117-2120

      14?LIU Yan-De, XIAO Huai-Chun, SUN Xu-Dong, ZHU Dan-Ning, HAN Ru-Bing, YE Ling-Yu, WANG Jun-Gang, MA Kui-Rong. Trans. Chi. Soc. Agric. Eng., ?2018, ?34(3): 180-187

      劉燕德, 肖懷春, 孫旭東, 朱丹寧, 韓如冰, 葉靈玉, 王均剛, 馬奎榮. ?農(nóng)業(yè)工程學(xué)報(bào), 2018, ?34(3): 180-187

      15?Chen D, Lv X, Wang H, Liu J, Zeng X. International Conference on Biomedical and Biological Engineering, ?2016, 86(1): 28-42

      16?LIU Yan-De, XIAO Huai-Chun, SUN Xu-Dong, HAN Ru-Bing, YE Ling-Yu, HUANG Liang, XIAO Yu-Sun, LIAO Xiao-Hong. Spectrosc. Spect. Anal., ?2018, ?38(2): 528-534

      劉燕德, 肖懷春, 孫旭東, 韓如冰, 葉靈玉, 黃 亮, 肖禹松, 廖小紅. ?光譜學(xué)與光譜分析, 2018, ?38(2): 528-534

      17?SUN Xu-Dong, LIU Yan-De, XIAO Huai-Chun, ZHANG Zhi-Chen, LI Ze-Min, LV Qiang. Spectrosc. Spect. Anal., ?2017, ?37(2): 551-556

      孫旭東, 劉燕德, 肖懷春, 張智誠, 李澤敏, 呂 強(qiáng). ?光譜學(xué)與光譜分析, 2017, ?37(2): 551-556

      18?Sofronov A N, Balagula R M, Firsov D A. Semiconductors, ?2018, ?52(1): 59-63

      19?Feng W, Zhu T H, Fang Z. IEEE T. Sustain. Energ., ?2017, ?8(1): 249-257

      20?Cocos A, Fiks A G, Masino A J. J. Am. Med. Inform. Assoc., ?2017, ?24(4): 813-821

      21?ZHANG Wei-Dong, LI Ling-Qiao, HU Jin-Quan, FENG Yan-Chun, YIN Li-Hui, HU Chang-Qin, YANG Hui-Hua. Chinese J. Anal. Chem., ?2018, ?46(9):1446-1454

      張衛(wèi)東, 李靈巧, 胡錦泉, 馮艷春, 尹利輝, 胡昌勤, 楊輝華. ?分析化學(xué), 2018, ?46(9): 1446-1454

      22?WANG Cui, WU Xin-Hui, LI Lian-Qing, WANG Yu-Shun, LI Zhi-Wei. Spectrosc. Spect. Anal., ?2018, ?38(1): 36-41

      王 璨, 武新慧, 李戀卿, 王玉順, 李志偉. ?光譜學(xué)與光譜分析, 2018, ?38(1): 36-41

      23?DU Jian, HU Bing-Liang, LIU Yu-Zheng, WEI Cui-Yu, ZHANG Geng, TANG Xing-Jia. Spectrosc. Spect. Anal., ?2018, ?38(5):1514-1519

      杜 劍, 胡炳樑, 劉永征, 衛(wèi)翠玉, 張 耿, 唐興佳. ?光譜學(xué)與光譜分析, 2018, ?38(5): 1514-1519

      24?XIAO Xue, LI Jun-Shan, ZHANG Bo, YANG Hui-Hua, LIANG Qiong-Lin, WANG Yi-Ming, LUO Guo-An. Acta Scientiarum Naturalium Universitatis Nankaiensis, ?2017, ?5(3): 46-50

      肖 雪, 李軍山, 張 博, 楊輝華, 梁瓊麟, 王義明, 羅國安. ?南開大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, ?5(3): 46-50

      25?Jie G, Wang H, Fan J, Ma S. IEEE T. Geosci. Reote., ?2017, ?55(4): 2442-2459

      26?Huang G B, Zhu Q Y, Siew C K. Neurocomputing, ?2006, ?70(1): 489-501

      27?CHU Xiao-Li. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications. Beijing: Chemical Industry Press, ?2011: ?49

      褚小立. ?化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù). 北京: 化學(xué)工業(yè)出版社, 2011: ?49

      28?ZHOU Jie-Qian, LIU Zhen-Bing, YANG Hui-Hua, FENG Yan-Chun, YIN Li-Hui, HU Chang-Qin. Spectrosc. Spect. Anal., ?2017, ?37(8): 2412-2417

      周潔茜, 劉振丙, 楊輝華, 馮艷春, 尹利輝, 胡昌勤. ?光譜學(xué)與光譜分析, 2017, ?37(8): 2412-2417

      29?Pardo S, Martínez A M, Figueroa J I, Viuela E, Miranda M A, Valle J, Pineda S. Pest. Manag. Sci., ?2018, ?74(1): 34-47

      猜你喜歡
      極限學(xué)習(xí)機(jī)近紅外光譜
      神經(jīng)元的形態(tài)分類方法研究
      基于判別信息極限學(xué)習(xí)機(jī)的高光譜遙感圖像分類
      極限學(xué)習(xí)機(jī)修正誤差的體育成績(jī)預(yù)測(cè)模型
      基于極限學(xué)習(xí)機(jī)的玻璃瓶口缺陷檢測(cè)方法研究
      基于近紅外光譜法的藜麥脂肪含量快速檢測(cè)
      中國當(dāng)代醫(yī)藥(2016年19期)2016-09-30 20:42:57
      極限學(xué)習(xí)機(jī)在圖像分割中的應(yīng)用
      小麥子粒粗蛋白FT—NIRS分析模型建立的初步研究
      近紅外光譜分析技術(shù)快速檢測(cè)冰溫貯藏牛肉品質(zhì)
      肉類研究(2015年3期)2015-06-16 12:41:35
      基于關(guān)節(jié)信息和極限學(xué)習(xí)機(jī)的人體動(dòng)作識(shí)別
      台中市| 石阡县| 潜山县| 延长县| 广丰县| 陵水| 洪泽县| 香格里拉县| 祁门县| 巴东县| 象州县| 彰化市| 舟曲县| 库伦旗| 兰坪| 满城县| 德清县| 贵阳市| 左贡县| 璧山县| 云浮市| 浦北县| 盐边县| 犍为县| 博爱县| 青州市| 灯塔市| 蛟河市| 锦州市| 壶关县| 特克斯县| 礼泉县| 鲁山县| 慈溪市| 应用必备| 塘沽区| 惠水县| 监利县| 永济市| 阳东县| 唐山市|