公开(公告)号：CN114354666B

公开(公告)日：2023-12-26

申请号：CN202111677903.X

申请日：2021-12-31

Applicant: 三峡大学

Inventor： 任顺 ,  陆旻波 ,  任东 ,  安毅 ,  杨信廷 ,  王纪华

IPC: G01N23/223 ,  G06F30/20 ,  G06F17/18 ,  G06F111/06 ,  G06F111/08

Abstract: 本发明涉及基于波长频次选择的土壤重金属光谱特征提取、优化方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；多次运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集；利用得到的波长变量集预测重金属含量。本发明采用串联的ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。

公开(公告)号：CN115598162B

公开(公告)日：2024-08-06

申请号：CN202111586536.2

申请日：2021-12-21

Applicant: 三峡大学

Inventor： 任顺 ,  陆旻波 ,  任东 ,  安毅 ,  杨信廷 ,  王纪华

IPC: G01N23/223 ,  G06N3/006 ,  G06N20/20

Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。

公开(公告)号：CN114354666A

公开(公告)日：2022-04-15

申请号：CN202111677903.X

申请日：2021-12-31

Applicant: 三峡大学

Inventor： 任顺 ,  陆旻波 ,  任东 ,  安毅 ,  杨信廷 ,  王纪华

IPC: G01N23/223 ,  G06F30/20 ,  G06F17/18 ,  G06F111/06 ,  G06F111/08

Abstract: 本发明涉及基于波长频次选择的土壤重金属光谱特征提取、优化方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；多次运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集；利用得到的波长变量集预测重金属含量。本发明采用串联的ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。

公开(公告)号：CN115598162A

公开(公告)日：2023-01-13

申请号：CN202111586536.2

申请日：2021-12-21

Applicant: 三峡大学(CN)

Inventor： 任顺 ,  陆旻波 ,  任东 ,  安毅 ,  杨信廷 ,  王纪华

IPC: G01N23/223 ,  G06N3/00 ,  G06N20/00

Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。

公开(公告)号：CN117874480A

公开(公告)日：2024-04-12

申请号：CN202311682639.8

申请日：2021-12-31

Applicant: 三峡大学

Inventor： 任顺 ,  陆旻波 ,  任东 ,  安毅 ,  杨信廷 ,  王纪华

IPC: G06F18/2115 ,  G01N23/223 ,  G06F18/214 ,  G16C20/70

Abstract: 本发明涉及基于ICO‑BOSS算法的土壤重金属光谱特征提取方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值并调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；多次重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集。本发明采用ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。

公开(公告)号：CN115130377A

公开(公告)日：2022-09-30

申请号：CN202210704753.5

申请日：2022-06-21

Applicant: 三峡大学

Inventor： 任顺 ,  陆旻波 ,  肖配 ,  任东 ,  陆安祥 ,  安毅 ,  肖敏 ,  张清

IPC: G06F30/27 ,  G06K9/62 ,  G06N20/00 ,  G06N3/00 ,  G01N23/223

Abstract: 一种BOSS‑SAPSO优化极限学习机的土壤重金属预测方法，它包括以下步骤：步骤1：采集土壤样品X射线荧光光谱数据和重金属含量值，构建样本集；步骤2：对样本集或待检测光谱信息进行预处理；步骤3：对预处理后的光谱数据进行特征选择；步骤4：建立极限学习机；步骤5：采用优化后的权重和隐含层偏置训练极限学习机，得到土壤重金属预测模型，将测试集输入预测模型，得到重金属的预测值。本发明的目的是为了解决在现有的土壤重金属预测中，所获得的相关光谱数据维度高、数据间冗余大且光谱与土壤重金属之间会呈现复杂的非线性，从而使得土壤重金属预测效率、效果、精准度不高的技术问题。