[发明专利]基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法

权利要求书

1.一种基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法，其特征在于，包括以下步骤：

11)土壤样本的获取和预处理，获取土壤样本并将其划分为训练样本和测试样本，使用光谱仪获取训练样本和测试样本的激光诱导击穿光谱数据；

12)构造基于堆叠式受限玻尔兹曼机深度学习技术的预测模型；

13)预测模型的无监督训练，将训练样本的激光诱导击穿光谱数据输入预测模型的堆叠式受限玻尔兹曼机构成的神经网络层，并分别对每一层的受限玻尔兹曼机进行无监督训练；

14)预测模型的有监督训练，将训练样本通过训练完成的堆叠式受限玻尔兹曼机提取的特征以及训练样本的土壤重金属含量输入预测模型的有监督人工神经网络层，对预测模型的有监督人工神经网络层进行有监督的训练；

15)土壤重金属含量的分析预测，将测试样本的激光诱导击穿光谱数据输入预测模型，完成对测试样本的土壤重金属含量的分析预测。

2.根据权利要求1所述的基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法，其特征在于，所述的构造基于堆叠式受限玻尔兹曼机深度学习技术的预测模型包括以下步骤：

21)设置神经网络结构为四层，前三层由三个受限玻尔兹曼机模型堆叠构成，第四层采用BP网络作为有监督人工神经网络层；

22)将训练样本的激光诱导击穿光谱数据作为第一层无监督神经网络层的输入，设置其隐藏层的输出为100个隐层单元；将100个隐层单元作为第二层无监督神经网络层的输入；第二层无监督神经网络层的输出作为第三层无监督人工神经网络层的输入；第三层无监督神经网络层的输出作为第四层有监督人工神经网络层的输入。

3.根据权利要求1所述的基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法，其特征在于，所述的预测模型的无监督训练包括以下步骤：

31)对于第一层无监督神经网络层，该层的受限玻尔兹曼机模型进行自学习的无监督训练，获得第一层无监督神经网络层中受限玻尔兹曼机模型的最优参数；

32)将第一层无监督神经网络层中受限玻尔兹曼机模型训练好的表征输出作为第二层无监督神经网络层中可见层的输入，进行该层的受限玻尔兹曼机模型进行自学习的无监督训练，通过对比调整设置可见层的节点、学习率以及参数；

33)将第二层无监督神经网络层中受限玻尔兹曼机模型训练好的表征输出作为第三层无监督神经网络层中可见层的输入，进行该层的受限玻尔兹曼机模型进行自学习的无监督训练，通过对比调整设置可见层的节点、学习率以及参数。