| 【中文题名】 | 基于神经网络与遗传算法土壤成分含量研究 |
| 【英文题名】 | Study on Content of Soil Component Based on Neural Network and Genetic Algorithm |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-8-4 |
| 【中关键词】 | 近红外光谱技术,土壤,神经网络,BP,遗传算法, |
| 【英关键词】 | NIR,Soil,Neural Network,BP,GA, |
| 【分类导航】 | 农业科学>农业基础科学>土壤学>土壤化学、土壤物理化学>土壤成分> |
| 【论文摘要】 | 近红外光谱分析技术如今已经成为发展最快、最引人注目的光谱分析技术,已在农产品、食品、药物和化工产品的定性和定量分析中得到了非常广泛的应用。土壤成分是影响农作物生长的最主要限制因子之一,及时、准确监测或诊断出土壤养分状况,在农业生产中具有重要意义。
本文首先简述了近红外光谱技术的发展和在土壤成分分析领域的研究现状,然后介绍了近红外光谱分析技术的原理、建模策略,并建立了主成分回归模型,接着重点研究了人工神经网络与遗传算法分析土壤含量,采用BP算法及其改进的梯度下降及学习速率自适应算法BPX和Levenberg-Marquart算法LMBP建立网络模型,最后利用遗传算法的全局搜索能力强的特点,结合BP网络建立了基于BP网络与遗传算法相结合的网络模型。
通过实验表明人工神经网络作为一种近红外光谱技术的定量分析方法,并与遗传算法结合,在土壤成分含量分析中误差精度基本能够达到预期要求。 |
| 【论文题纲】 |
|
第一章 绪论 |
7-15 |
|
1.1 近红外光谱分析技术的发展 |
7-9 |
|
1.2 近红外光谱技术的分析方法 |
9-10 |
|
1.2.1 定性分析方法 |
9 |
|
1.2.2 定量分析方法[9] |
9-10 |
|
1.3 课题的研究意义 |
10-11 |
|
1.4 国内外研究现状 |
11-13 |
|
1.5 本文的研究内容及章节安排 |
13-15 |
|
1.5.1 研究内容 |
13-14 |
|
1.5.2 章节安排 |
14-15 |
|
第二章 近红外光谱分析技术在土壤成分含量中的应用 |
15-26 |
|
2.1 近红外光谱分析简述 |
15-16 |
|
2.2 近红外光谱分析原理[1] |
16-17 |
|
2.3 近红外光谱数据预处理技术 |
17-18 |
|
2.4 近红外光谱数据模型建立的策略及技术 |
18-21 |
|
2.4.1 复杂物近红外光谱分析信息提取的策略 |
18-19 |
|
2.4.2 复杂物近红外光谱分析建立模型的核心技术 |
19-21 |
|
2.5 近红外光谱分析土壤成分含量 |
21-25 |
|
2.5.1 样品状况 |
21-22 |
|
2.5.2 数学模型及结果 |
22-25 |
|
2.6 小结 |
25-26 |
|
第三章 人工神经网络及BP 算法 |
26-41 |
|
3.1 简述[24,25] |
26 |
|
3.2 人工神经网络描述[27] |
26-28 |
|
3.3 人工神经网络常见的学习算法 |
28-30 |
|
3.4 BP 算法 |
30-36 |
|
3.4.1 BP 神经网络概述[26] [28] |
30-31 |
|
3.4.2 误差反传算法的数学描述[29] |
31-34 |
|
3.4.3 BP 神经网络结构设计 |
34-36 |
|
3.5 BP 算法的改进 |
36-41 |
|
3.5.1 BP 算法的局限 |
36-37 |
|
3.5.2 梯度下降动量及学习速率自适应算法(BPX) |
37-39 |
|
3.5.3 数值优化方法 |
39-41 |
|
第四章 遗传算法 |
41-48 |
|
4.1 引言 |
41 |
|
4.2 遗传算法基本原理 |
41-42 |
|
4.3 遗传算法基本流程 |
42-43 |
|
4.4 遗传算法基本操作 |
43-47 |
|
4.4.1 遗传编码 |
43-44 |
|
4.4.2 适应度函数 |
44-45 |
|
4.4.3 选择 |
45-46 |
|
4.4.4 交叉 |
46 |
|
4.4.5 变异 |
46-47 |
|
4.5 遗传算法参数选择 |
47-48 |
|
第五章 遗传算法与BP 网络相结合的算法 |
48-52 |
|
5.1 引言 |
48 |
|
5.2 采用GA 优化BP 网络权值的原理 |
48-50 |
|
5.3 算法的实现 |
50-52 |
|
第六章 土壤成分网络模型的实现 |
52-64 |
|
6.1 基于BP 网络模型的建立 |
52-55 |
|
6.1.1 BP 网络的设计 |
52-55 |
|
6.1.2 改进的BP 网络的设计 |
55 |
|
6.2 基于遗传算法与BP 网络结合算法网络模型的建立 |
55-57 |
|
6.2.1 遗传算法中参数的选取 |
55-56 |
|
6.2.2 遗传算子的选取 |
56-57 |
|
6.3 网络模型结果及分析 |
57-64 |
|
6.3.1 BP 网络模型结果 |
57-62 |
|
6.3.2 遗传算法与BP 网络结合算法分析结果 |
62-63 |
|
6.3.3 结果分析 |
63-64 |
|
第七章 总结与展望 |
64-66 |
|
7.1 总结 |
64-65 |
|
7.2 展望 |
65-66 |
|
参考文献 |
66-69 |
|
摘要 |
69-72 |
|
ABSTRACT |
72-75 |
|
致谢 |
75-76 |
|
导师及作者简介 |
76 |
|
| 【DOI】 | LunWen.ID:2.2008.387889 |
