检索结果-南通市图书馆

检索条件"主题词=自动搜索超参数"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于卷积神经网络的近红外光谱建模方法研究

基于卷积神经网络的近红外光谱建模方法研究

引用

作者：王磊长春理工大学

学位级别：硕士

在化学计量学方法的支撑下,近红外光谱分析技术已被广泛应用于食品、制药、化工、纺织等行业。传统的两阶段校准方法存在着预处理算法选择困难、模型建立复杂、预测精度低以及模型容易过拟合的问题。目前基于神经网络的近红外光谱建模... 详细信息

在化学计量学方法的支撑下,近红外光谱分析技术已被广泛应用于食品、制药、化工、纺织等行业。传统的两阶段校准方法存在着预处理算法选择困难、模型建立复杂、预测精度低以及模型容易过拟合的问题。目前基于神经网络的近红外光谱建模理论还不完善,现有的基于神经网络的分析模型仍然存在着过拟合、泛化性差、可解释性差、超参数选择困难、模型性能差以及忽略了待测物质之间的关联性等问题。基于以上背景,本文开展了基于卷积神经网络的近红外光谱建模方法研究,主要研究内容如下:第一部分:展开介绍了近红外光谱分析技术的原理与应用,分析了传统的近红外光谱建模方法存在的不足,选择了基于卷积神经网络的建模方法和相应的评价指标。第二部分:提出了一种新的近红外光谱建模方法——ATSpec Net。此方法利用卷积神经网络从全光谱上获取信息,使用不同大小的卷积核提取多个维度的特征信息,并利用激活函数为模型引入非线性因素。接着通过一维池化层对特征进行归纳和降维,然后将提取到的特征使用多层全连接神经网络将特征向量空间映射到样品待测量化学值上。使用评价函数计算预测值与真实值之间的误差,在模型中反向传播这个误差并更新网络参数,反复的执行这个过程,直到模型的预测误差收敛到一个较小的值并趋于稳定,从而得到最佳的预测模型。使用公共数据玉米、柴油、啤酒和牛奶的近红外光谱进行仿真测试,建立预测模型。结果表明,ATSpec Net与偏最小二乘(PLS)、支持向量回归(SVR)和BP神经网络相比,在玉米油含量的预测中预测均方根误差(RMS EP)分别由0.060、0.097和0.292下降到0.046,建模精度分别提升了23.3%、52.6%和84.2%;在柴油十六烷值的预测中RMSEP分别由2.138、2.266和2.387下降到1.964,建模精度分别提升了8.1%、13.3%和17.7%;在啤酒酵母含量的预测中RMSEP分别由0.581、0.606和3.345下降到0.539,建模精度分别提升了7.2%、11.1%和83.9%;在牛奶蛋白质含量的预测中RMSEP分别由0.567、0.582和0.671下降到0.216,建模精度提升了63.5%、64.4%和67.8%。第三部分:提出了一种新的适应于多种组分预测的近红外光谱建模方法——ATM Spec Net。此方法首先使用编码解码模块去除光谱中的噪声和无效信息带来的干扰,通过多个专家网络从光谱不同的空间上对特征进行初步提取;然后,使用赋权网络对每个专家网络提取到的特征进行赋权;最后,经过赋权的特征向量进入不同的分支网络,经过分支网络的特征二次提取与映射得到待测样本的多个化学值。使用公开的玉米数据集进行仿真,构建测试模型。结果表明,ATMSpec Net预测模型与PLS、SVR和ATMSpec Net预测模型在多种物质成分的预测中相比,玉米水分含量的预测中RM SEP由0.272、0.275和0.230下降到0.211,建模精度分别提升了22.4%、23.2%和8.2%;玉米油含量的预测中RMSEP分别由0.060、0.097和0.046下降到0.043,建模精度分别提升了28.3%、55.7%和6.5%;玉米蛋白质含量的预测中RMSEP分别由0.332、0.342和0.307下降到0.239,建模精度分别提升了28.0%、30.1%和22.1%;玉米淀粉含量的预测中RMSEP分别由0.586、0.523和0.522下降到0.428,建模精度分别提升了27.0%、18.1%和18.0%。综上所述,本文所提出的ATSpec Net和ATMSpec Net模型对比经典的建模方法,在客观指标上均有提高,基于卷积神经网络的建模方法可以有效提高近红外光谱模型的预测精度。

关键词：近红外光谱深度学习卷积神经网络自动搜索超参数多分支预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：