基于1D-VD-CNN模型的自动编码器设计,用于检测来自未知来源的蜜
Dongying Chen1, Hao Zhang1, Lingyan Lin2
1College of Electronic Information Science, Fujian Jiangxia University, Fuzhou, Fujian 350108, China; Smart Home Information Collection and Processing on Internet of Things Laboratory of Digital Fujian, Fuzhou, Fujian 350108, China.
Journal of pharmaceutical and biomedical analysis
|July 21, 2023
概括
一个具有自动编码器的新型非常深层卷积神经网络 (1D-VD-CNN) 使用近红外光谱数据 (NIRS) 有效地识别蜂. 这种模型实现了高准确性,并检测到未知的花花品种,改进了传统方法.
科学领域:
- 农业科学 农业科学
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 传统的一维卷积神经网络 (1D-CNN) 在高参数数量和在近红外光谱数据 (NIRS) 中识别未知类别方面遇到了困难.
- 现有的方法缺乏有效性和强大的机制来检测未经探索的息地中的蜜.
研究的目的:
- 使用NIRS.开发一个更有效,更准确的花花分类模型.
- 通过整合自动编码机制,引入一种新的方法来识别未知的花花品种.
主要方法:
- 提出了一个一维的非常深的卷积神经网络 (1D-VD-CNN),利用一个高效的非常深 (VD) 结构进行NIRS分析.
- 设计了一种自动编码机制,与重建错误分析相结合,以检测来自未知来源的蜜.
- 实施了使用自动编码器重建错误的信心校正方法,以确定样本是否属于未知的品种.
主要成果:
- 1D-VD-CNN模型在训练和测试组件上都实现了100%的准确性,损失接近0.001.
- 与传统的1D-CNN相比,显著减少了大约71%和8%的参数和FLOP.
- 自动编码机制在检测来自未知来源的蜜中显示了98%的准确性,在分类效率和性能方面超过了NIRS分析和PLS-DA方法.
结论:
- 1D-VD-CNN模型为花 NIRS 分类提供了一个高效和准确的解决方案.
- 集成的自动编码机制有效地解决了识别未知的花花品种的挑战.
- 这种方法可以快速,可靠地分类和检测各种息地,包括尚未探索的地区的花.
