[发明专利]一种集成机器学习的土壤重金属浓度检测方法及系统

权利要求书

1.一种集成机器学习的土壤重金属浓度检测方法，其特征在于，所述土壤重金属浓度检测方法应用于土壤重金属浓度检测系统，所述土壤重金属浓度检测系统与能谱仪、理化指标仪通信连接，包括：

通过所述能谱仪对目标土壤进行检测，得到目标光谱数据，其中，所述目标光谱数据包括多类重金属光谱数据；

提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果；

通过所述理化指标仪对所述目标土壤进行检测，得到目标理化指标参数，其中，所述目标理化指标参数包括多个理化指标的多个参数；

对所述多个理化指标的多个参数进行筛选，并根据筛选结果得到目标指标参数因素；

依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，并利用集成学习方法原理进行融合得到智能矫正模型；

将所述目标光谱处理结果与所述目标指标参数因素作为所述智能矫正模型的输入信息，处理得到所述智能矫正模型的输出信息；

基于所述智能矫正模型的输出信息，得到所述目标土壤的重金属浓度检测结果；

所述依次训练得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型，包括：

基于算法原理分析组建单矫正模型集，其中，所述单矫正模型集包括支持向量机、循环神经网络、梯度提升决策树；

获得多个土壤样本，对所述多个土壤样本依次进行数据采集，并根据数据采集结果组建模型训练数据集；

其中，所述模型训练数据集包括所述多个土壤样本中各个土壤样本的光谱处理结果、指标参数因素、重金属浓度检测结果标识；

基于所述模型训练数据集依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到支持向量机矫正模型、循环神经网络矫正模型、梯度提升决策树矫正模型；

基于所述支持向量机矫正模型、所述循环神经网络矫正模型、所述梯度提升决策树矫正模型，并结合集成学习方法原理进行模型搭建，得到多个集成矫正模型；

依次基于所述多个集成矫正模型，对所述模型训练数据集进行矫正分析，得到多个矫正结果；

将所述多个矫正结果依次与所述重金属浓度检测结果标识进行对比分析，并根据对比分析结果计算得到多个目标矫正偏差；

筛选所述多个目标矫正偏差中的最小矫正偏差，并反向匹配所述最小矫正偏差的集成矫正模型，作为所述智能矫正模型；

所述依次基于所述多个集成矫正模型，对所述模型训练数据集进行矫正分析，得到多个矫正结果，包括：

提取所述多个集成矫正模型中任意一个集成矫正模型；

获得所述任意一个集成矫正模型的初级学习器、元学习器；

通过所述初级学习器对所述模型训练数据集进行矫正，得到初级矫正结果；

将所述初级矫正结果作为所述元学习器的输入信息，处理得到所述元学习器的输出信息；

基于所述元学习器的输出信息，得到所述任意一个集成矫正模型的矫正结果。

2.根据权利要求1所述的方法，其特征在于，所述提取所述多类重金属光谱数据中的目标重金属光谱数据，并对所述目标重金属光谱数据进行预处理，得到目标光谱处理结果，包括：

构建光谱预处理模型，其中，所述光谱预处理模型包括第一光谱预处理层、第二光谱预处理层、第三光谱预处理层；

通过所述第一光谱预处理层对所述目标重金属光谱数据进行异常数据剔除，得到第一预处理结果；

通过所述第二光谱预处理层对所述第一预处理结果进行降噪平滑处理，得到第二预处理结果；

通过所述第三光谱预处理层对所述第二预处理结果进行本底扣除处理，得到第三预处理结果；

将所述第三预处理结果作为所述目标光谱处理结果。

3.根据权利要求2所述的方法，其特征在于，所述通过所述第一光谱预处理层对所述目标重金属光谱数据进行异常数据剔除，得到第一预处理结果，包括：

基于所述目标重金属光谱数据，得到目标重金属的多个光谱数据；

利用箱型图原理对所述多个光谱数据进行位置划分，得到光谱数据位置划分结果；

获得预设异常数据位置；

基于所述预设异常数据位置对所述光谱数据位置划分结果进行遍历，并根据遍历结果得到目标光谱异常数据；

将所述目标光谱异常数据从所述目标重金属光谱数据进行剔除，得到所述第一预处理结果。