基于SAGA-SVR预测模型的水稻种子 水分含量高光谱检测

• 作者: 孙俊 杨宁 武小红 芦兵
• 来源期刊: 南方农业学报
• 关键词: 水稻种子 高光谱 模糊C-均值聚类(FCM) 遗传模拟退火(SAGA) 支持向量回归机(SVR)
• 年，卷（期）: 2018,（11）
• 所属期刊栏目: 农业信息技术·农业经济
• 页码范围: 2342-2348
• 页数: 7页
• 分类号: S126
• 语种: 中文
• DOI: 10.3969/j.issn.2095-1191.2018.11.32

摘要

[目的]利用高光谱技术测定水稻种子的水分含量,为其品质监测和筛选提供参考依据,从而提高水稻良种筛选率.[方法]通过电烘箱恒重法制备120份不同水分含量的水稻种子样本作为研究对象,利用多项式平滑(Savitz-ky-Golay,S-G)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选.为提高建模效率,提高各水分含量区间光谱特征值的区分度,使用模糊C-均值聚类(Fuzzy C-means clustering,FCM)算法对各区间的样本数据进行聚类处理,最后利用支持向量回归机(Sup-port vector regression,SVR)定量检测模型建立特征光谱数据与水稻种子水分含量的映射关系.[结果]由于FCM未达到预期的聚类效果,而引入遗传模拟退火算法(Simulated annealing genetic algorithm,SAGA)进行聚类,分别对基于原始特征值、FCM及SAGA聚类的SVR训练结果进行比较,发现基于SAGA聚类的光谱样本数据训练效果更好,预测集决定系数可达0.8956,均方根误差3.75％.由于决定系数不够理想,引入松弛变量降低间隔阈值,最终模型预测集决定系数为0.9286,均方根误差为3.42％,此时模型达最佳性能,能满足实际应用需求.[建议]基于聚类算法,提高光谱数据的准确性;通过合理调整模型参数,提高预测模型性能;推动高光谱农产品检测相关装备的研制.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨宁	江苏大学电气信息工程学院	62	465	13.0	19.0
2	武小红	江苏大学电气信息工程学院	62	694	15.0	24.0
3	孙俊	江苏大学电气信息工程学院	133	1226	19.0	28.0
4	芦兵	江苏大学电气信息工程学院	11	33	3.0	5.0