本發(fā)明涉及土壤分析技術(shù)領(lǐng)域，具體來(lái)說(shuō)是基于libs與堆疊式rbm深度學(xué)習(xí)技術(shù)的土壤重金屬含量分析預(yù)測(cè)方法。
背景技術(shù)：
人類(lèi)的工農(nóng)業(yè)生產(chǎn)活動(dòng)容易將大量的重金屬元素帶入土壤，造成土壤重金屬污染，進(jìn)而影響耕地質(zhì)量，嚴(yán)重危害人類(lèi)的健康。目前，土壤重金屬檢測(cè)方法主要有火焰原子吸收分光光度法、電感耦合等離子發(fā)射光譜法等，但是所需儀器均較為復(fù)雜，且土壤樣品需要消解等前期處理，無(wú)法實(shí)現(xiàn)對(duì)土壤重金屬的快速檢測(cè)，而實(shí)現(xiàn)土壤重金屬快速檢測(cè)對(duì)農(nóng)業(yè)生產(chǎn)、耕地保護(hù)等具有重要的意義。目前能夠?qū)崿F(xiàn)土壤重金屬現(xiàn)場(chǎng)快速檢測(cè)的技術(shù)有x射線誘導(dǎo)熒光和激光誘導(dǎo)擊穿光譜技術(shù)(libs)。其中，激光誘導(dǎo)擊穿光譜技術(shù)更加適用于對(duì)土壤重金屬分析，可對(duì)土壤中重金屬元素含量進(jìn)行分析，具有分析速度快、樣品分析準(zhǔn)確度及精密度高等多種優(yōu)點(diǎn)。
那么，如何找到激光誘導(dǎo)擊穿光譜技術(shù)與土壤中重金屬含量之間的映射關(guān)系，從而利用這種映射關(guān)系，能夠簡(jiǎn)單、快速地進(jìn)行土壤重金屬檢測(cè)已經(jīng)成為急需解決的技術(shù)問(wèn)題。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中土壤重金屬含量檢測(cè)速度慢的缺陷，提供一種基于libs與堆疊式rbm深度學(xué)習(xí)技術(shù)的土壤重金屬含量分析預(yù)測(cè)方法來(lái)解決上述問(wèn)題。
為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
一種基于libs與堆疊式rbm深度學(xué)習(xí)技術(shù)的土壤重金屬含量分析預(yù)測(cè)方法，包括以下步驟：
土壤樣本的獲取和預(yù)處理，獲取土壤樣本并將其劃分為訓(xùn)練樣本和測(cè)試樣本，使用光譜儀獲取訓(xùn)練樣本和測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)；
構(gòu)造基于堆疊式受限玻爾茲曼機(jī)深度學(xué)習(xí)技術(shù)的預(yù)測(cè)模型；
預(yù)測(cè)模型的無(wú)監(jiān)督訓(xùn)練，將訓(xùn)練樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入預(yù)測(cè)模型的堆疊式受限玻爾茲曼機(jī)構(gòu)成的神經(jīng)網(wǎng)絡(luò)層，并分別對(duì)每一層的受限玻爾茲曼機(jī)進(jìn)行無(wú)監(jiān)督訓(xùn)練；
預(yù)測(cè)模型的有監(jiān)督訓(xùn)練，將訓(xùn)練樣本通過(guò)訓(xùn)練完成的堆疊式受限玻爾茲曼機(jī)提取的特征以及訓(xùn)練樣本的土壤重金屬含量輸入預(yù)測(cè)模型的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層，對(duì)預(yù)測(cè)模型的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層進(jìn)行有監(jiān)督的訓(xùn)練；
土壤重金屬含量的分析預(yù)測(cè)，將測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入預(yù)測(cè)模型，完成對(duì)測(cè)試樣本的土壤重金屬含量的分析預(yù)測(cè)。
所述的構(gòu)造基于堆疊式受限玻爾茲曼機(jī)深度學(xué)習(xí)技術(shù)的預(yù)測(cè)模型包括以下步驟：
設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四層，前三層由三個(gè)受限玻爾茲曼機(jī)模型堆疊構(gòu)成，第四層采用bp網(wǎng)絡(luò)作為有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層；
將訓(xùn)練樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸入，設(shè)置其隱藏層的輸出為100個(gè)隱層單元；將100個(gè)隱層單元作為第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸入；第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸出作為第三層無(wú)監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層的輸入；第三層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸出作為第四層有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層的輸入。
所述的預(yù)測(cè)模型的無(wú)監(jiān)督訓(xùn)練包括以下步驟：
對(duì)于第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層，該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，獲得第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型的最優(yōu)參數(shù)；
將第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型訓(xùn)練好的表征輸出作為第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中可見(jiàn)層的輸入，進(jìn)行該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，通過(guò)對(duì)比調(diào)整設(shè)置可見(jiàn)層的節(jié)點(diǎn)、學(xué)習(xí)率以及參數(shù)；
將第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型訓(xùn)練好的表征輸出作為第三層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中可見(jiàn)層的輸入，進(jìn)行該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，通過(guò)對(duì)比調(diào)整設(shè)置可見(jiàn)層的節(jié)點(diǎn)、學(xué)習(xí)率以及參數(shù)。
所述的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練包括以下步驟：
輸入：訓(xùn)練樣本x0、隱層單元個(gè)數(shù)m、學(xué)習(xí)率ε、最大訓(xùn)練周期t；
輸出：連接權(quán)重矩陣w、可見(jiàn)層的偏置向量a、隱層的偏置向量b；
初始化：可見(jiàn)層單元的初始狀態(tài)v1＝x0，w、a、b為隨機(jī)的較小數(shù)值；
對(duì)于每一次訓(xùn)練t(1,2,…,t)，均按以下處理：
對(duì)于所有的隱藏層單元(j＝1,2,…,m),計(jì)算
對(duì)于所有的可見(jiàn)層單元(i＝1,2,…,n),計(jì)算
對(duì)于所有的隱藏層單元(j＝1,2,…,m),計(jì)算
按照下式更新參數(shù)：
a←a+ε(v1-v2)，
b←b+ε(p(h1.|v1)-p(h2.|v2))。
所述的對(duì)預(yù)測(cè)模型的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層進(jìn)行有監(jiān)督的訓(xùn)練包括以下步驟：
將訓(xùn)練樣本輸入第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層，通過(guò)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的前三層提取特征；
將提取的特征和訓(xùn)練樣本對(duì)應(yīng)的土壤重金屬含量輸入預(yù)測(cè)模型最后一層的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層，進(jìn)行有監(jiān)督的訓(xùn)練。
所述的土壤重金屬含量的分析預(yù)測(cè)包括以下步驟：
將測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的前三層提取特征；
將測(cè)試樣本提取的特征輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的最后一層，完成對(duì)測(cè)試樣本土壤的成分分析預(yù)測(cè)。
有益效果
本發(fā)明的基于libs與堆疊式rbm深度學(xué)習(xí)技術(shù)的土壤重金屬含量分析預(yù)測(cè)方法，與現(xiàn)有技術(shù)相比利用激光誘導(dǎo)擊穿光譜與土壤重金屬含量之間的映射關(guān)系，結(jié)合堆疊式rbm(受限玻爾茲曼機(jī))深度學(xué)習(xí)技術(shù)來(lái)進(jìn)行土壤重金屬含量分析預(yù)測(cè)，提高了土壤中重金屬預(yù)測(cè)的精度和模型的魯棒性。
本發(fā)明通過(guò)基于深度學(xué)習(xí)的理論方法建立一套全新的土壤激光誘導(dǎo)擊穿非線性光譜分析預(yù)測(cè)重金屬成分方法，解決了bp神經(jīng)網(wǎng)絡(luò)光譜非線性分析預(yù)測(cè)建模訓(xùn)練參數(shù)受限與大量樣本學(xué)習(xí)過(guò)擬合的科學(xué)問(wèn)題，有效提高模型預(yù)測(cè)精度與魯棒性，顯著提升模型預(yù)測(cè)的泛化能力。具有分析速度快、準(zhǔn)確度高的特點(diǎn)。
附圖說(shuō)明
圖1為本發(fā)明的方法順序圖。
具體實(shí)施方式
為使對(duì)本發(fā)明的結(jié)構(gòu)特征及所達(dá)成的功效有更進(jìn)一步的了解與認(rèn)識(shí)，用以較佳的實(shí)施例及附圖配合詳細(xì)的說(shuō)明，說(shuō)明如下：
如圖1所示，本發(fā)明所述的一種基于libs與堆疊式rbm深度學(xué)習(xí)技術(shù)的土壤重金屬含量分析預(yù)測(cè)方法，包括以下步驟：
第一步，土壤樣本的獲取和預(yù)處理。獲取土壤樣本并將其劃分為訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本和測(cè)試樣本根據(jù)實(shí)際需要進(jìn)行隨機(jī)劃分。使用光譜儀獲取訓(xùn)練樣本和測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)，其按現(xiàn)有技術(shù)方式可以處理如下：
(1)采集的土壤均經(jīng)過(guò)風(fēng)干、研磨和過(guò)篩處理，并用粉末壓片機(jī)在特定壓強(qiáng)下壓制成土壤薄片，將土壤薄片放置在旋轉(zhuǎn)的二維工作平臺(tái)上，以避免激光脈沖作用在相同的位置。
(2)光譜儀激光器發(fā)出的激光脈沖經(jīng)焦距為100mm的透鏡聚焦后作用在樣本表面，激光脈沖在樣本表面產(chǎn)生的等離子體光譜由接收透鏡經(jīng)光纖傳輸至光纖光譜儀進(jìn)行分光與探測(cè)。每20次激光脈沖作用生成1個(gè)光譜數(shù)據(jù)，對(duì)每個(gè)土壤樣本保存若干個(gè)光譜數(shù)據(jù)。
第二步，構(gòu)造基于堆疊式受限玻爾茲曼機(jī)深度學(xué)習(xí)技術(shù)的預(yù)測(cè)模型。其具體步驟如下：
(1)設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四層，前三層由三個(gè)受限玻爾茲曼機(jī)(restrictedboltzmannmachines，rbm)模型堆疊構(gòu)成，第四層采用bp網(wǎng)絡(luò)作為有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層(artificialneuralnetwork，ann)。根據(jù)實(shí)際需要，也可以設(shè)置4層或5層受限玻爾茲曼機(jī)模型堆疊。
(2)將訓(xùn)練樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)作為第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸入，設(shè)置其隱藏層的輸出為100個(gè)隱層單元。將100個(gè)隱層單元作為第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸入，即對(duì)訓(xùn)練樣本提取的特征，作為第二層rbm的可視層輸入，僅此類(lèi)推。第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸出作為第三層無(wú)監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層的輸入；第三層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層的輸出作為第四層有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層的輸入。
第三步，預(yù)測(cè)模型的無(wú)監(jiān)督訓(xùn)練。將訓(xùn)練樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入預(yù)測(cè)模型的堆疊式受限玻爾茲曼機(jī)構(gòu)成的神經(jīng)網(wǎng)絡(luò)層，并分別對(duì)每一層的受限玻爾茲曼機(jī)進(jìn)行無(wú)監(jiān)督訓(xùn)練。其具體步驟如下：
(1)對(duì)于第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層，該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，獲得第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型的最優(yōu)參數(shù)。第一層的受限玻爾茲曼機(jī)進(jìn)行自學(xué)習(xí)時(shí)使用小批量處理方式，每批數(shù)據(jù)包含幾十或者幾百個(gè)樣本，以此降低梯度估計(jì)的抽樣誤差。
(2)將第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型訓(xùn)練好的表征輸出作為第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中可見(jiàn)層的輸入，進(jìn)行該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，通過(guò)對(duì)比調(diào)整設(shè)置可見(jiàn)層的節(jié)點(diǎn)、學(xué)習(xí)率以及參數(shù)。
將前一層rbm訓(xùn)練好的表征輸出作為后一層rbm的可視層輸入，進(jìn)行自學(xué)習(xí)繼續(xù)進(jìn)行無(wú)監(jiān)督訓(xùn)練。一般確定隱含層數(shù)目后，后一層rbm的可視層數(shù)目將相對(duì)減少，防止網(wǎng)絡(luò)過(guò)擬合，通過(guò)對(duì)比調(diào)整設(shè)置可視層的節(jié)點(diǎn)和學(xué)習(xí)率以及其他參數(shù)如批量大小，動(dòng)量因子、迭代步數(shù)。
(3)將第二層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中受限玻爾茲曼機(jī)模型訓(xùn)練好的表征輸出作為第三層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層中可見(jiàn)層的輸入，進(jìn)行該層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練，通過(guò)對(duì)比調(diào)整設(shè)置可見(jiàn)層的節(jié)點(diǎn)、學(xué)習(xí)率以及參數(shù)。
其中，在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的前三層通過(guò)由低至高次序逐層訓(xùn)練各層的受限玻爾茲曼機(jī)模型，并分別對(duì)每一層的受限玻爾茲曼機(jī)模型進(jìn)行設(shè)置，每層的受限玻爾茲曼機(jī)模型進(jìn)行自學(xué)習(xí)的無(wú)監(jiān)督訓(xùn)練方法均一樣，如下：
首先，輸入：訓(xùn)練樣本x0、隱層單元個(gè)數(shù)m、學(xué)習(xí)率ε、最大訓(xùn)練周期t；
輸出：連接權(quán)重矩陣w、可見(jiàn)層的偏置向量a、隱層的偏置向量b；
初始化：可見(jiàn)層單元的初始狀態(tài)v1＝x0，w、a、b為隨機(jī)的較小數(shù)值。
其次，對(duì)于每一次訓(xùn)練t(1,2,…,t)，均按以下處理：
a、對(duì)于所有的隱藏層單元(j＝1,2,…,m),計(jì)算
b、對(duì)于所有的可見(jiàn)層單元(i＝1,2,…,n),計(jì)算
c、對(duì)于所有的隱藏層單元(j＝1,2,…,m),計(jì)算
d、按照下式更新參數(shù)：
a←a+ε(v1-v2)，
b←b+ε(p(h1.|v1)-p(h2.|v2))。
在此，已經(jīng)逐層通過(guò)無(wú)監(jiān)督學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)獲得各層rbm參數(shù)，這些初值相當(dāng)于網(wǎng)絡(luò)參數(shù)初始化過(guò)程，達(dá)到局部最優(yōu)解，但不是整個(gè)預(yù)測(cè)模型的最優(yōu)參數(shù)。為了確定整個(gè)模型的最優(yōu)參數(shù)，在此基礎(chǔ)上，采用有監(jiān)督學(xué)習(xí)方式對(duì)最后一層的bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
第四步，預(yù)測(cè)模型的有監(jiān)督訓(xùn)練。將訓(xùn)練樣本通過(guò)訓(xùn)練完成的堆疊式受限玻爾茲曼機(jī)提取的特征以及訓(xùn)練樣本的土壤重金屬含量輸入預(yù)測(cè)模型的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層，對(duì)預(yù)測(cè)模型的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層進(jìn)行有監(jiān)督的訓(xùn)練。其步驟如下：
(1)將訓(xùn)練樣本輸入第一層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)層，通過(guò)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的前三層提取特征。
(2)將提取的特征和訓(xùn)練樣本對(duì)應(yīng)的土壤重金屬含量輸入預(yù)測(cè)模型最后一層的有監(jiān)督人工神經(jīng)網(wǎng)絡(luò)層，進(jìn)行有監(jiān)督的訓(xùn)練。
第五步，土壤重金屬含量的分析預(yù)測(cè)。將測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入預(yù)測(cè)模型，完成對(duì)測(cè)試樣本的土壤重金屬含量的分析預(yù)測(cè)。其具體步驟如下：
(1)將測(cè)試樣本的激光誘導(dǎo)擊穿光譜數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的前三層提取特征；
(2)將測(cè)試樣本提取的特征輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練完成的最后一層，完成對(duì)測(cè)試樣本土壤的成分分析預(yù)測(cè)。
以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護(hù)范圍由所附的權(quán)利要求書(shū)及其等同物界定。