激光诱导击穿光谱结合主元分析卷积神经网络对不同矿区土壤的快速分类-2区

摘要开发重金属矿区会对周围土壤造成污染对生态环境和人体健康造成重大危害。不同矿区土壤分类对土壤管理和环境污染防治具有重要意义。由于土壤的物理性质和成分复杂易受基质效应的影响直接影响光谱数据的采集和处理。因此准确地对土壤进行分类是具有挑战性的。采用基于主成分分析(PCA)的二维卷积神经网络(2D-CNN)算法与激光诱导击穿光谱(LIBS)相结合的方法对10个不同矿区的标准土壤样品进行了准确的识别和分类。首先利用主成分分析对样本数据进行标准化和无量纲化处理去除冗余信息提高数据的信噪比。然后设计了2D-CNN的结构通过卷积和池化运算对输入数据进行了两次深度特征提取从而能够从数据中提取更多的特征信息有利于提高模型的分类精度。实验结果表明2D-CNN测试集的分类正确率可达99.60%分类损失可降至0.012。为了验证基于2D-CNN的PCA分类模型的优越性能将2D-CNN算法与反向传播人工神经网络(BP-ANN)、支持向量机(SVM)、k近邻(KNN)和随机森林(RF)等模型进行了比较。结果表明2D-CNN在土壤识别和分类领域具有很大的潜力为LIBS对化学性质相似的物质进行分类提供了一种新的可靠的数据处理方法。样本针对10个不同矿区的矿区土壤每个矿区采集50个土壤样品。我们对每个土壤样品进行了连续的激光诱导击穿然后在土壤样品表面放入10个激光烧蚀脉冲点形成25个光谱矩阵。10个地区的矿区土壤共采集了5000个光谱点(图2 )数据的重复性较好。随机选取不同区域土壤样本的60 % ( 30个)作为训练集30 % ( 15个)作为检定集10 % ( 5个)作为测试集。 然后在不同区域的矿区土壤中共有3000个光谱点作为训练集1500个光谱点作为检定集500个光谱数据作为测试集。每个数据集都是独立的由不同土壤样品的光谱组成。实验pca降维CNN介绍。数据预处理采用Z - score标准化方法进行数据预处理因此对归一化后的数据进行PCA降维处理。对于2D - CNN需要一个18个输入矩阵作为输入。因此经过PCA降维后特征点数量由12 248个减少到324个。 为了保证实验结果的可靠性和泛化能力本实验采用10折交叉验证的方法将数据集分为10份轮流训练9份然后验证1份。和4种模型比较