CWBLS网络及其在便携式光谱测量中的应用
Yutong Sui1, Xiaoyu Zhao1, Cheng Liu2
1Heilongjiang Bayi Agricultural University, College of Information and Electrical Engineering, Daqing, Heilongjiang 163319, China.
概括
一个新的D-CWBLS网络增强了便携式近红外光谱回归模型. 这种方法提高了低信号数据的准确性和稳定性,在户外应用中优于现有的方法.
科学领域:
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 化学测量 化学测量 化学测量
背景情况:
- 便携式近红外光谱 (NIRS) 面临的挑战是信号噪声比低,可复制性差.
- 现有的回归模型通常在现实世界NIRS应用中难以获得准确性和稳定性.
研究的目的:
- 引入新的D-CWBLS网络,以改善便携式NIRS中的回归分析.
- 提高使用低质量的数据的NIRS模型的准确性,稳定性和稳定性.
主要方法:
- D-CWBLS网络扩展了BLS网络,将近红外特征光谱带数据纳入其中.
- 垂直添加一个Dropout层以加深网络,优化结构并减少冗余.
- 优化和增强的功能节点重量矩阵结合在一起,以最大限度地减少训练随机性并提高稳定性.
主要成果:
- D-CWBLS模型在可重复性,准确性和稳定性方面表现出卓越的性能.
- 它的表现优于传统的机器学习 (PLSR,BP-ANN,ELM) 和深度学习 (MLP,CNN,RNN) 模型.
- 性能也比基本的BLS和CWBLS模型更好,显示了显著的进步.
结论:
- D-CWBLS网络为便携式NIRS数据分析提供了重大进步.
- 它解决了户外NIRS应用中的关键挑战,提供了更高的可靠性和适用性.
- 这种新的方法为更强大,更准确的光谱测量铺平了道路.
