申请/专利权人：浙江农林大学

申请日：2023-11-03

公开（公告）日：2024-02-20

公开（公告）号：CN117571653A

主分类号：G01N21/359

分类号：G01N21/359;G01N21/3563;G06N20/10;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明涉及智能检测技术领域，本发明提供的一种基于蜣螂优化算法结合近红外光谱的土壤养分检测方法，通过光谱仪获取光谱数据并用化学分析方法获取土壤中的碱解氮、有效磷、可用钾、有机质含量、pH值。通过初始化蜣螂优化算法中的寻优上下边界、种群数、迭代次数和选择维度，将蜣螂优化算法优化后的算法输入SVR预测模型，惩罚参数和适应度函数评价预测值达到预定值后输出预测值。本发明还公开了一种用于执行上述方法的系统，本方法和系统能够通过蜣螂优化算法对SVR模型超参数组合进行优化，使得模型快速收敛，节省了大量的计算资源和时间。DBO算法结合SVR模型能够很好地解决现有的技术问题，提高模型输出结果的准确性。

主权项：1.一种基于蜣螂优化算法结合近红外光谱的土壤养分检测方法，其特征在于，所述基于蜣螂优化算法结合近红外光谱的土壤养分检测方法包括，步骤S1，采集土壤样本，通过光谱仪获取光谱数据并用化学分析方法获取土壤中第一数据，所述第一数据至少包括碱解氮、有效磷、可用钾、有机质含量、pH值；步骤S2，将光谱数据进行数据预处理，并将数据预处理后的光谱数据按照4：1的比例划分为训练集和测试集；步骤S3，初始化蜣螂优化算法中的寻优上下边界、种群数、迭代次数和选择维度；随机初始化蜣螂位置信息，在优化过程中更新滚动蜣螂、筑巢球、小蜣螂和偷窃蜣螂的位置信息；步骤S4，选择的初始c和g，其中，g为1×D的随机向量；位置信息转换为c和g参数，输入SVR预测模型对模型进行训练；采用测试集对SVR预测模型进行测试，惩罚参数和适应度函数评价预测值达到预定值，且当tTmax，，Tmax表示最佳迭代次数，则输出预测值。

全文数据：

权利要求：

百度查询： 浙江农林大学 基于蜣螂优化算法结合近红外光谱的土壤养分检测方法与系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD