基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法技术

本发明专利技术涉及基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，与现有技术相比解决了无法对土壤成分进行大批量综合分析概括的缺陷。本发明专利技术包括以下步骤：土壤样本的获取和预处理；构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；土壤重金属元素含量的预测。本发明专利技术通过深度自动编码器的结构模型并结合太赫兹光谱来进行土壤重金属元素成分分析预测。

Soil heavy metal content prediction method based on terahertz spectrum and depth automatic coder

The present invention relates to a method for prediction of soil heavy metal elements content of terahertz spectroscopy and automatic encoder based on depth, compared with the prior art can not solve the defects of generalization of the comprehensive analysis of large quantities of soil components. The invention comprises the following steps: soil sample acquisition and preprocessing; structure prediction model based on automatic depth encoder, in the model structure is adopted to denoise the encoder and automatic compression encoder stack formation depth auto encoder prediction model; automatic depth encoder prediction model training, the terahertz spectrum data input depth automatic coder training sample prediction model the predictive model of training, automatic depth encoder; prediction of soil heavy metal elements content. The present invention carries out the analysis and prediction of heavy metal elements in soil by means of a structure model of a depth automatic encoder and a terahertz spectrum.

【技术实现步骤摘要】
基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法
本专利技术涉及土壤成份分析
，具体来说是基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法。
技术介绍
人类的工农业生产活动将大量的重金属元素带入土壤，造成土壤重金属元素污染，进而影响耕地质量，严重危害人类的健康。现有的土壤重金属元素检测方法主要有火焰原子吸收分光光度法、电感耦合等离子发射光谱法等，所需仪器均较为复杂，土壤样本需要消解等前期处理。针对大面积土壤还需要采集大量土壤样本进行具体分析，检测速度慢、周期长，而实现土壤重金属元素快速检测，对农业生产、耕地保护等具有重要的意义。太赫兹光谱技术是能够对土壤重金属元素进行现场快速检测的技术之一，其能够针对土壤样本快速检测出重金属含量，但其也需要分析采集大量土壤样本，才能保证分析概括的准确性。因此，如何利用太赫兹光谱技术，将其结合在相关的预测分析技术上，以实现土壤重金属元素含量的准确预测，取代传统的大批量样本分析已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中无法对土壤成分进行大批量综合分析概括的缺陷，提供一种基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法来解决上述问题。为了实现上述目的，本专利技术的技术方案如下：一种基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，包括以下步骤：土壤样本的获取和预处理，获取土壤样本并划分为训练样本和测试样本，使用光谱仪获取土壤样本的太赫兹光谱数据；构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；土壤重金属元素含量的预测，将测试样本的太赫兹光谱数据输入训练后的深度自动编码器预测模型，完成对测试样本的土壤重金属元素含量的分析预测。所述的使用光谱仪获取土壤样本的太赫兹光谱数据包括以下步骤：将采集的土壤均经过去杂、风干处理后依次编号；经过计算、称取、混合、溶解、搅拌、干燥、研磨工序后，装袋密封保存；将土壤样本通过压片处理，获得厚度均匀的压片样本；使用太赫兹时域光谱仪采集压片样本的太赫兹光谱数据，利用飞秒激光器提供激光，在室温下进行操作；将压片样本放入太赫兹测量平台的立式光学元件的槽内，测量波段范围为0.1～2.0THz，每个压片样本重复采集3次太赫兹光谱曲线，求取3次测量的平均值代表该压片样本的太赫兹光谱数据。所述的构造基于深度自动编码器的预测模型包括以下步骤：分别构造去噪自动编码器和压缩编码器，将去噪自动编码器的输出层和压缩编码器的输出层均去掉，去噪自动编码器和压缩编码器均利用其隐藏表示层传递；设去噪自动编码器为包括编码部分和解码部分两部分的三层神经网络模型；设压缩编码器为包括编码部分和解码部分两部分的三层神经网络模型；将去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型，去噪自动编码器作为深度自动编码器预测模型的底层，压缩编码器作为深度自动编码器预测模型的上层，深度自动编码器预测模型的最后一层为有监督人工神经网络层。所述的深度自动编码器预测模型的训练包括以下步骤：训练去噪自动编码器，通过去噪自动编码器的代价函数J(W,b)训练去噪自动编码器；训练压缩编码器，将去噪自动编码器的编码输出作为压缩编码器的输入，通过压缩编码器的代价函数JCAE(W,b)训练压缩编码器；将压缩编码器中隐藏层的输出作为有监督人工神经网络层的输入，保持已预训练层的参数固定，初始化整个网络的参数；将压缩编码器的输出作为提取的特征，联同训练样本对应的土壤重金属元素含量，输入深度自动编码器预测模型最后一层的有监督人工神经网络层，按照有监督的学习方法，对深度自动编码器预测模型的所有层进行有监督的微调。所述的土壤重金属元素含量的预测包括以下步骤：将测试样本的太赫兹光谱数据输入深度自动编码器预测模型的去噪自动编码器和压缩编码器提取特征；将提取的特征输入深度自动编码器预测模型的有监督人工神经网络层，完成对测试样本土壤重金属元素含量的成分分析预测。所述的训练去噪自动编码器包括以下步骤：训练去噪自动编码器的编码部分，将具有统计特性的噪声加入到原始输入光谱数据x中，利用去噪自动编码器的编码部分对加入噪声后的数据进行编码，设h表示隐藏层的神经单元激活，则其数学表达式为其中：W表示连接在输入层与隐藏层之间的dh×dx权值矩阵，sf表示激活函数，训练去噪自动编码器的解码部分，利用去噪自动编码器的编码部分的隐藏层重构出原始输入数据，其解码函数表示如下：y＝g(h)＝sg(W'h+by)，其中：y表示解码部分对加入干扰噪声后输入数据的重构，sg表示解码部分的激活函数，偏置by∈Rdx是连接在隐藏层与输出层之间的dx×dh权值矩阵；通过最小化重构与原始输入数据之间的误差代价提取特征，采用梯度下降法更新层与层之间的权值，获得最终特征，其代价函数为其中L是重构误差，形式为平方差重构误差L(x,y)＝||x-y||2或交叉熵代价所述的训练压缩编码器包括以下步骤：将去噪自动编码器解码部分的隐藏层输出数据作为压缩编码器的输入，其表达式如下：h＝f(x)＝sf(Wx+bh)，其中：W表示连接在输入层与隐藏层之间的dh×dx权值矩阵，sf表示激活函数，利用压缩编码器编码得到的隐藏层重构出压缩编码器的输入数据，其解码函数表示如下y＝g(h)＝sg(W'h+by)，其中y是指解码器对输入数据的重构，sg表示解码部分的激活函数，偏置by∈Rdx是连接在隐藏层与输出层之间的dx×dh权值矩阵；通过惩罚输入数据的敏感性来保持中间层表示，该惩罚因子为压缩编码器编码部分的Jacobian矩阵的Frobenius范数，压缩编码器的代价函数为：其中Dn表示训练样本集。有益效果本专利技术的基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，与现有技术相比通过深度自动编码器的结构模型并结合太赫兹光谱来进行土壤重金属元素成分分析预测。本专利技术通过去噪自动编码器、压缩编码器和深度网络模型的堆叠构造出深度自动编码器预测模型，保证了土壤中重金属元素分析预测的精度，其中，去噪自动编码器用于提高噪声干扰并提取低层特征，压缩编码器用于提取高层特征，使得深度网络模型的预测更准确，保证了样本分析概括的准确性。附图说明图1为本专利技术的方法顺序图。具体实施方式为使对本专利技术的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：如图1所示，本专利技术所述的基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，包括以下步骤：第一步，土壤样本的获取和预处理。获取土壤样本并随机将其划分为训练样本和测试样本，使用光谱仪获取土壤样本的太赫兹光谱数据。使用光谱仪获取土壤样本的太赫兹光谱数据步骤如下：(1)将采集的土壤均经过去杂、风干处理后依次编号；经过计算、称取、混合、溶解、搅拌、干燥、研磨工序后，装袋密封保存。由于土壤样本是颗粒状，需要将土壤样本固定成特定厚度的薄层进行太赫兹实验。(2)将土壤样本通过压片处理，获得厚度均匀的压片样本。在此，使用压片法对样本进行处理，将土壤样本通过压片处理，获得厚度均匀的压本文档来自技高网...

【技术保护点】
一种基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，其特征在于，包括以下步骤：11)土壤样本的获取和预处理，获取土壤样本并划分为训练样本和测试样本，使用光谱仪获取土壤样本的太赫兹光谱数据；12)构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；13)深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；14)土壤重金属元素含量的预测，将测试样本的太赫兹光谱数据输入训练后的深度自动编码器预测模型，完成对测试样本的土壤重金属元素含量的分析预测。

【技术特征摘要】
1.一种基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，其特征在于，包括以下步骤：11)土壤样本的获取和预处理，获取土壤样本并划分为训练样本和测试样本，使用光谱仪获取土壤样本的太赫兹光谱数据；12)构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；13)深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；14)土壤重金属元素含量的预测，将测试样本的太赫兹光谱数据输入训练后的深度自动编码器预测模型，完成对测试样本的土壤重金属元素含量的分析预测。2.根据权利要求1所述的基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，其特征在于，所述的使用光谱仪获取土壤样本的太赫兹光谱数据包括以下步骤：21)将采集的土壤均经过去杂、风干处理后依次编号；经过计算、称取、混合、溶解、搅拌、干燥、研磨工序后，装袋密封保存；22)将土壤样本通过压片处理，获得厚度均匀的压片样本；23)使用太赫兹时域光谱仪采集压片样本的太赫兹光谱数据，利用飞秒激光器提供激光，在室温下进行操作；将压片样本放入太赫兹测量平台的立式光学元件的槽内，测量波段范围为0.1～2.0THz，每个压片样本重复采集3次太赫兹光谱曲线，求取3次测量的平均值代表该压片样本的太赫兹光谱数据。3.根据权利要求1所述的基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，其特征在于，所述的构造基于深度自动编码器的预测模型包括以下步骤：31)分别构造去噪自动编码器和压缩编码器，将去噪自动编码器的输出层和压缩编码器的输出层均去掉，去噪自动编码器和压缩编码器均利用其隐藏表示层传递；设去噪自动编码器为包括编码部分和解码部分两部分的三层神经网络模型；设压缩编码器为包括编码部分和解码部分两部分的三层神经网络模型；32)将去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型，去噪自动编码器作为深度自动编码器预测模型的底层，压缩编码器作为深度自动编码器预测模型的上层，深度自动编码器预测模型的最后一层为有监督人工神经网络层。4.根据权利要求1所述的基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，其特征在于，所述的深度自动编码器预测模型的训练包括以下步骤：41)训练去噪自动编码器，通过去噪自动编码器的代价函数J(W,b)训练去噪自动编码器；42)训练压缩编码器，将去噪自动编码器的编码输出作为压缩编码器的输入，通过压缩编码器的代价函数JCAE(W,b)训练压缩编码器；43)将压缩编码器中隐藏层的输出作为有监督人工神经网络层的输入，保持已预训练层的参数固定，初始化整个网络的参数；将压缩编码器的输出作为提取的特征，联同训练样本对应的土壤重金属元素含量，输入深度自动编码器预...

【专利技术属性】
技术研发人员：陈天娇，王儒敬，谢成军，张洁，李瑞，陈红波，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34