基于壓縮自編碼融合極限學(xué)習(xí)機(jī)的柑橘黃龍病鑒別方法

路皓翔 徐明昌 張衛(wèi)東 楊輝華 劉振丙

摘?要?針對(duì)柑橘黃龍病檢測(cè)模型的準(zhǔn)確度較低、可靠性較差等問題，提出了一種壓縮自編碼融合極限學(xué)習(xí)機(jī)（Contractive auto-encoder combined extreme learning machine，CAE-ELM）的柑橘黃龍病鑒別方法。此方法通過ELM代替CAE頂層的Softmax分類器和反向微調(diào)階段，達(dá)到減少算法運(yùn)行時(shí)間同時(shí)提高模型的穩(wěn)定性及鑒別能力的目的。其中，CAE實(shí)現(xiàn)了樣本深層特征提取，ELM可實(shí)現(xiàn)分類鑒別。為了評(píng)估CAE-ELM模型性能，以不同比例的柑橘葉片近紅外光譜數(shù)據(jù)作為訓(xùn)練集進(jìn)行實(shí)驗(yàn)，采用波形疊加極限學(xué)習(xí)機(jī)（Summation wavelet extreme learning machine， SWELM）、ELM、支持向量機(jī)（Support vector machine， SVM）、堆疊去噪自編碼（Stacked denoising auto-encoder， SDAE）、反向傳播模型（Back propagation， BP）、CAE作為對(duì)比方法。在柑橘黃龍病的鑒別實(shí)驗(yàn)中，無論訓(xùn)練集樣本大小，CAE-ELM均能保持最高的分類準(zhǔn)確度，尤其當(dāng)訓(xùn)練集與測(cè)試集為1080/165時(shí)分類準(zhǔn)確度達(dá)100.00。同時(shí)，CAE-ELM模型比SDAE、CAE和BP模型具有更快的訓(xùn)練速度，但慢于SVM、ELM和SWELM模型。結(jié)果表明，CAE-ELM模型可以準(zhǔn)確鑒別柑橘黃龍病，且模型具有良好的魯棒性和可擴(kuò)展性。

關(guān)鍵詞?壓縮自編碼; 極限學(xué)習(xí)機(jī); 近紅外光譜; 柑橘黃龍病

1?引 言

近年來，化學(xué)計(jì)量學(xué)結(jié)合光譜分析技術(shù)已經(jīng)廣泛用于各個(gè)行業(yè)和產(chǎn)業(yè)[1～4]，其中近紅外光譜分析技術(shù)具有檢測(cè)準(zhǔn)確度高、無污染、高效的優(yōu)點(diǎn)，受到廣泛關(guān)注。柑橘黃龍病是柑橘產(chǎn)業(yè)的毀滅性病害，在我國的廣西、江西、湖南等柑橘主產(chǎn)區(qū)傳播廣泛[5]。因無有效的根治方法，一旦柑橘樹發(fā)病，通常只能將果樹砍掉，所以又被稱為柑橘樹的“癌癥”。

黃龍病病菌是一種依靠木虱進(jìn)行傳播的類細(xì)菌病原體[6，7]，柑橘樹一旦感染該病菌，會(huì)導(dǎo)致其根須腐爛，在很短的時(shí)間內(nèi)喪失結(jié)果的能力，造成極大的損失。研究人員針對(duì)柑橘黃龍病的檢測(cè)進(jìn)行了深入的研究[8，9]。Sankaran等[10]采用可見-近紅外光譜對(duì)柑橘黃龍病進(jìn)行檢測(cè)研究，為近紅外光譜用于柑橘黃龍病的檢測(cè)提供了理論基礎(chǔ)。Mishra等[11]采用K近鄰（K Nearest neighbor，KNN）、邏輯回歸（Logistic regression，LR）和SVM分類器對(duì)柑橘葉片的近紅外光譜信息進(jìn)行鑒別，準(zhǔn)確度>90%，然而其針對(duì)的是同一棵果樹上不同葉片的光譜信息。Pourez等[12]針對(duì)高光譜數(shù)據(jù)維度高、共線性等問題，采用特征篩選技術(shù)對(duì)柑橘黃龍病進(jìn)行檢測(cè)。Maja等[13]以可見近紅外和熱成像波段的平均反射率數(shù)據(jù)為研究對(duì)象，采用SVM對(duì)柑橘黃龍病進(jìn)行檢測(cè)，其準(zhǔn)確度僅為85%。劉燕德等[14]采用無信息變量消除（Uninformative variable elimination， UVE）結(jié)合連續(xù)投影算法（Successive projections algorithm， SPA）對(duì)柑橘葉片光譜特征進(jìn)行篩選，然后利用偏最小二乘支持向量機(jī)（Partial least squares support vector machine， LS-SVM）對(duì)篩選出來的光譜特征進(jìn)行鑒別，其最大誤判率為11.9%。Chen等[15]采用微型紅外光譜儀采集柑橘葉片的光譜數(shù)據(jù)，并利用偏最小二乘法判別分析（Partial least squares discrimination analysis， PLS-DA）建立了柑橘黃龍病的定性判別模型。劉燕德等[16]基于模型平均理論結(jié)合可見與近紅外光譜分析技術(shù)實(shí)現(xiàn)了柑橘葉片黃龍病感染程度的分級(jí)檢測(cè)。孫旭東等[17]采用高光譜技術(shù)，應(yīng)用峰值比判別模型和PLS-DA模型構(gòu)成兩步判別法，實(shí)現(xiàn)了柑橘葉片正常、缺素和黃龍病的鑒別。然而，近紅外光譜分析技術(shù)在柑橘黃龍病檢測(cè)方面的研究相對(duì)較少，且已有的方法存在檢測(cè)準(zhǔn)確度低、模型魯棒性較差等問題。

深度學(xué)習(xí)屬于一種典型的無監(jiān)督特征學(xué)習(xí)，能夠更好地提取樣本深層特征，在醫(yī)學(xué)圖像處理、汽車輔助駕駛、藥品鑒別及智慧城管等領(lǐng)域應(yīng)用廣泛[18，19]。由于近紅外光譜數(shù)據(jù)的維度相對(duì)較高，為了提高近紅外光譜分析模型的穩(wěn)定性和可靠性，研究者嘗試將深度學(xué)習(xí)應(yīng)用于近紅外光譜分析領(lǐng)域，如真假藥品鑒別[20，21]、土壤含水率預(yù)測(cè)[22]、食品品質(zhì)鑒別[23]和煙草鑒別[24]等方面。

本研究提出了一種基于CAE和ELM的近紅外光譜柑橘黃龍病檢測(cè)鑒別方法。以廣西桂林市某果園采集的柑橘葉片近紅外光譜數(shù)據(jù)為實(shí)例進(jìn)行分類鑒別實(shí)驗(yàn)，對(duì)CAE-ELM模型在分類準(zhǔn)確率、算法穩(wěn)定性及運(yùn)行時(shí)間3個(gè)方面的性能進(jìn)行評(píng)估，并與SVM、SDAE、BP（兩層）、SWELM、ELM及CAE模型進(jìn)行對(duì)比。結(jié)果表明，本方法能夠?qū)崿F(xiàn)柑橘黃龍病的鑒別，方法準(zhǔn)確可靠。

2?CAE-ELM鑒別模型

CAE是一種神經(jīng)自編碼網(wǎng)絡(luò)[25]，采用雅克比矩陣F范數(shù)的平方作為誤差約束項(xiàng)，通過雅克比矩陣F提取樣本數(shù)據(jù)在各個(gè)方向的特征，實(shí)現(xiàn)數(shù)據(jù)降維，然后利用Softmax分類器進(jìn)行分類。ELM作為一種單隱層神經(jīng)網(wǎng)絡(luò)，具有較高的分類準(zhǔn)確度和較強(qiáng)的非線性建模能力[26]。將CAE結(jié)合ELM提出了一種新的柑橘黃龍病的鑒別模型，具體CAE-ELM模型結(jié)構(gòu)如圖1所示，此模型采用ELM代替CAE頂層的Softmax分類器和反向微調(diào)階段，不僅縮短了模型的運(yùn)行時(shí)間，而且提高了模型的鑒別準(zhǔn)確度。

CAE-ELM模型主要分為特征提取和分類鑒別兩個(gè)階段，首先將多個(gè)CAE堆疊在一起形成棧式CAE對(duì)柑橘葉片光譜數(shù)據(jù)中深層特征進(jìn)行提取，然后將提取的深層特征送入ELM模型中進(jìn)行鑒別。假設(shè)訓(xùn)練集為x（n）， y（n）Nn=1， 具體過程如下：

2.1?深層特征的提取

（1）編碼過程： 從模型的輸入層到隱含層主要實(shí)現(xiàn)原始數(shù)據(jù)x（n）的編碼：

（2）解碼過程： 從隱含層到CAE網(wǎng)絡(luò)的輸出層主要實(shí)現(xiàn)多個(gè)隱含層提取的樣本特征的解碼：

CAE網(wǎng)絡(luò)在數(shù)據(jù)解碼重構(gòu)時(shí)，通過在損失函數(shù)中加入雅克比矩陣F范數(shù)的平方作為約束項(xiàng)，即

2.2?分類鑒別階段

將CAE網(wǎng)絡(luò)在Stage I階段提取的樣本特征n送入到ELM中實(shí)現(xiàn)分類，其中ELM網(wǎng)絡(luò)的閾值根據(jù)默認(rèn)值設(shè)置為0.5。樣本特征送入到ELM網(wǎng)絡(luò)后，通過有監(jiān)督學(xué)習(xí)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)使網(wǎng)絡(luò)輸出的樣本標(biāo)簽與實(shí)際標(biāo)簽之間誤差趨于零，即：

3?實(shí)驗(yàn)部分

3.1?實(shí)驗(yàn)數(shù)據(jù)

3.1.1?實(shí)驗(yàn)材料?柑橘葉片采自廣西桂林市某柑橘種植基地。為了保證采集到的樣品具有差異性，將該柑橘種植基地劃分為4個(gè)區(qū)域，并在每個(gè)區(qū)域選取5棵間距大于15 m的果樹，然后分別在柑橘樹不同層、不同方向采集柑橘葉片。

3.1.2?樣品制備?柑橘葉片用干凈的自來水洗凈，再用蒸餾水葉片2～3次，去除葉片表面雜質(zhì)對(duì)光譜數(shù)據(jù)采集的干擾; 然后，將葉片置于陰涼處陰干。采用實(shí)時(shí)熒光定量PCR方法對(duì)陰干后的葉片進(jìn)行篩選，其中，患有黃龍病葉片的PCR測(cè)試為陰性標(biāo)記為0，未患有黃龍病葉片的PCR測(cè)試為陽性標(biāo)記為1;

最后，將標(biāo)記好的葉片分類裝在自封袋里封存。

3.1.3?葉片光譜采集?采用布魯克MPA Ⅱ型光譜儀測(cè)得每個(gè)柑橘葉片不同波長(zhǎng)對(duì)應(yīng)的吸光度值，進(jìn)而得到其近紅外光譜曲線。每個(gè)葉片采集3條光譜，并取平均光譜作為該葉片的光譜曲線。光譜儀采樣波長(zhǎng)為950～1650 nm，采樣間隔為1 nm，共1245條光譜，每條光譜701個(gè)吸光點(diǎn)。柑橘葉片的近紅外光譜信息如表1所示。

3.2?數(shù)據(jù)預(yù)處理

采集到的全部柑橘葉片近紅外光譜信息如圖2所示，柑橘葉片的光譜數(shù)據(jù)中存在與光譜信息無關(guān)的電噪聲、雜散光等，這些信息會(huì)對(duì)近紅外光譜分析模型的建立產(chǎn)生消極影響，因此，在利用其建立柑橘黃龍病鑒別模型時(shí)需進(jìn)行預(yù)處理。

數(shù)據(jù)預(yù)處理方法會(huì)對(duì)模型的鑒別結(jié)果產(chǎn)生影響，因此需要選擇適合柑橘葉片光譜數(shù)據(jù)的預(yù)處理方法。以測(cè)試集/訓(xùn)練集數(shù)目為720/525為例進(jìn)行鑒別實(shí)驗(yàn)，結(jié)果如表2所示，CAE-ELM對(duì)經(jīng)過小波變換預(yù)處理后的光譜數(shù)據(jù)的分類鑒別準(zhǔn)確度更高，且預(yù)測(cè)標(biāo)準(zhǔn)偏差更小。這主要是由于小波變換通過對(duì)柑橘葉片光譜進(jìn)行時(shí)間、頻率的局部變換，在較小范圍內(nèi)將有用信息置為非零值，實(shí)現(xiàn)有用信息的篩選，同時(shí)能夠消除光譜數(shù)據(jù)中存在的噪聲和基線偏移[27，28]，提高模型鑒別的準(zhǔn)確度和穩(wěn)定性。因此，本實(shí)驗(yàn)采用小波變換對(duì)柑橘葉片光譜數(shù)據(jù)進(jìn)行預(yù)處理。

3.3?ELM中隱含層數(shù)目的確定

研究表明，ELM網(wǎng)絡(luò)中隱含層神經(jīng)元的數(shù)目對(duì)模型鑒別的準(zhǔn)確度會(huì)產(chǎn)生較大的影響，因此需要設(shè)置合理的隱含層神經(jīng)元的數(shù)目。在ELM網(wǎng)絡(luò)中，隱含層神經(jīng)元的數(shù)目記為：

采用柑橘葉片樣品的近紅外光譜數(shù)據(jù)，將訓(xùn)練集從120到1080，按照每次遞增120個(gè)樣本進(jìn)行柑橘葉片黃龍病的鑒別實(shí)驗(yàn)，結(jié)果如圖3所示，當(dāng)ELM網(wǎng)絡(luò)中隱含層神經(jīng)元比例參數(shù)（Ratio）在0.2～0.5時(shí)，不同規(guī)模訓(xùn)練集的二分類鑒別實(shí)驗(yàn)均保持較高的檢測(cè)鑒別準(zhǔn)確度，當(dāng)Ratio=0.3時(shí)準(zhǔn)確度基本均達(dá)到最高。

3.4?CAE中壓縮系數(shù)的確定

壓縮系數(shù)λ是CAE網(wǎng)絡(luò)中極為重要的參數(shù)，合適的壓縮系數(shù)λ能使網(wǎng)絡(luò)提取出具有局部不變性且更能表征樣本屬性的深層特征，因此，在建立CAE-ELM鑒別模型時(shí)需要確定壓縮系數(shù)λ的大小。當(dāng)柑橘葉片光譜數(shù)據(jù)的訓(xùn)練集從120到1080每次遞增120個(gè)樣本時(shí)，CAE網(wǎng)絡(luò)的鑒別準(zhǔn)確度和壓縮系數(shù)λ之間的關(guān)系如圖4所示。壓縮系數(shù)λ選取為0.002附近時(shí)，各個(gè)比例訓(xùn)練集樣本均取得較高的準(zhǔn)確度。因此，本實(shí)驗(yàn)選取壓縮系數(shù)λ=0.002。

3.5?鑒別模型的建立

CAE-ELM模型采用MATLAB 2014a作為編碼工具，仿真實(shí)驗(yàn)運(yùn)行在Inter （R） Core（TM） i5-5200U處理器上。CAE-ELM模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為701-400-200-train×0.3-2（train為訓(xùn)練集樣本個(gè)數(shù)），其中ELM的源程序源自黃廣斌等于2006年開發(fā)的ELM工具箱（http：//www.ntu.edu.sg/home/egbhuang/elm_codes.html）。CAE-ELM模型實(shí)現(xiàn)柑橘黃龍病的檢測(cè)過程如下所述：

（1）數(shù)據(jù)預(yù)處理： 首先需要采用小波變換（尺度值Scale=3，母小波波長(zhǎng)設(shè)為32×Scale）對(duì)樣品光譜數(shù)據(jù)進(jìn)行預(yù)處理，消除葉片光譜數(shù)據(jù)中存在的噪聲、基線漂移等。

（2）預(yù)訓(xùn)練階段： 將經(jīng)過預(yù)處理后的數(shù)據(jù)送入CAE網(wǎng)絡(luò)中實(shí)現(xiàn)深層特征的提取。其中，CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為701-400-200，最大迭代次數(shù)設(shè)置為200，學(xué)習(xí)率設(shè)置為0.1，激活函數(shù)采用Sigmoid，誤差函數(shù)函數(shù)采用均方根誤差。

（3）ELM微調(diào)階段： 采用ELM網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的反向傳播算法對(duì)CAE的參數(shù)進(jìn)行優(yōu)化，其中ELM網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為200-train×0.3-2，迭代次數(shù)設(shè)置為100，激活函數(shù)采用Sigmoid。

（4）測(cè)試階段： 將測(cè)試數(shù)據(jù)送入到訓(xùn)練好的CAE-ELM模型中進(jìn)行分類鑒別，實(shí)現(xiàn)柑橘黃龍病的早期檢測(cè)。

（5）對(duì)比階段： 采用SVM、SDAE、BP（兩層）、SWELM、ELM和CAE模型作為對(duì)比方法。其中，SDAE模型結(jié)構(gòu)為701-400-100-2，激活函數(shù)采用Sigmoid，迭代次數(shù)設(shè)置為50，兩層學(xué)習(xí)率均設(shè)置為0.03，頂層分類器采用Softmax; SVM采用線性核函數(shù)，參數(shù)設(shè)置為c=1，Gamma=0.3; ELM和SWELM的網(wǎng)絡(luò)結(jié)構(gòu)均設(shè)置為701-train×0.3-2; BP網(wǎng)絡(luò)選用兩層網(wǎng)絡(luò)，結(jié)構(gòu)設(shè)置為701-300-100-2，激活函數(shù)采用Sigmoid，迭代次數(shù)設(shè)置為50，兩層學(xué)習(xí)率均設(shè)置為0.05。CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置701-400-200-2，激活函數(shù)選用Sigmoid，迭代次數(shù)設(shè)置為60，學(xué)習(xí)率設(shè)置為0.05，頂層分類器采用Softmax。

4?結(jié)果與討論

4.1?柑橘葉片光譜特征分析

由于葉片是由多種有機(jī)物混合而組成的，這些有機(jī)物分子中包含多個(gè)CH、OH和NH等含氫基團(tuán)，而近紅外光譜主要反映了含氫基團(tuán)分子振動(dòng)的倍頻和合頻吸收[29]。患有黃龍病和正常兩類柑橘葉片的代

表性近紅外光譜如圖5所示，黃龍病和正常柑橘葉片的光譜在1100～1400 nm和1500～1600 nm波段范圍內(nèi)存在基線漂移現(xiàn)象。此外，在原始光譜波段為1450 nm處存在明顯的吸收峰，這是由于葉片組成中含氫鍵倍頻伸縮振動(dòng)引起的。此外，黃龍病葉片和正常葉片在吸收峰處存在明顯的差異，且黃龍病葉片的吸光度更大，這可能是由于患有黃龍病的葉片阻礙了水分吸收，同時(shí)加速了糖類物質(zhì)的分解，導(dǎo)致葉片的含氫基團(tuán)減少造成的。

4.2?數(shù)據(jù)集配置

為了評(píng)價(jià)CAE-ELM模型對(duì)柑橘葉片近紅外光譜數(shù)據(jù)的鑒別能力，利用表1的數(shù)據(jù)集進(jìn)行二分類實(shí)驗(yàn)，并與其它模型進(jìn)行對(duì)比評(píng)價(jià)。為了驗(yàn)證訓(xùn)練集大小對(duì)CAE-ELM模型的影響，按表3構(gòu)造9個(gè)不同大小的訓(xùn)練集樣本，其中正負(fù)類樣本數(shù)目按表3所示大小隨機(jī)抽取，然后根據(jù)訓(xùn)練集的數(shù)目分別對(duì)CAE-ELM模型進(jìn)行配置，并將此基礎(chǔ)上運(yùn)行10次的均值作為各模型的分類準(zhǔn)確度、訓(xùn)練時(shí)間及算法穩(wěn)定性的性能參考值。

4.3?黃龍病的鑒別

在柑橘葉片是否患有黃龍病的鑒別中，鑒別的準(zhǔn)確度是一個(gè)關(guān)鍵指標(biāo)。本實(shí)驗(yàn)采用SWELM、ELM、SVM、SDAE、BP和CAE作為對(duì)比方法，按表3所示的數(shù)據(jù)集對(duì)各個(gè)模型進(jìn)行獨(dú)立的設(shè)置，各模型運(yùn)行10次的平均鑒別準(zhǔn)確度和預(yù)測(cè)標(biāo)準(zhǔn)差如表4所示，針對(duì)不同比例柑橘葉片訓(xùn)練集，BP（2層）、SDAE和SWELM具有相似的準(zhǔn)確度，但低于SVM和CAE-ELM，說明其非線性建模的能力較弱，對(duì)于柑橘葉片鑒別的準(zhǔn)確度和可靠性較差。無論數(shù)據(jù)集的規(guī)模多少，CAE的鑒別準(zhǔn)確度均較低，說明CAE非線性建模能力較差，即對(duì)柑橘葉片的鑒別結(jié)果和可靠性較差。CAE-ELM較ELM和CAE表現(xiàn)出較高的分類準(zhǔn)確度，表明該模型在柑橘葉片是否患有黃龍病的檢測(cè)中較其它模型更為可靠。尤其當(dāng)訓(xùn)練/測(cè)試集為1080/165時(shí)，CAE-ELM的分類準(zhǔn)確度可以達(dá)到100%，說明此比例下模型可準(zhǔn)確識(shí)別出患病的柑橘葉片。這是由于CAE具有較好的特征提取能力，隨著柑橘葉片光譜數(shù)據(jù)的增多，CAE能夠提取更豐富的特征，更有利于ELM進(jìn)行分類。此外，無論數(shù)據(jù)集的規(guī)模多少，SVM均表現(xiàn)出較高的分類準(zhǔn)確度，但低于CAE-ELM，表明SVM模型也可用于柑橘患有黃龍病的鑒別，但稍弱于CAE-ELM模型。

算法的穩(wěn)定性決定了模型的應(yīng)用和推廣能力，本研究采用預(yù)測(cè)標(biāo)準(zhǔn)差作為各模型穩(wěn)定性的評(píng)價(jià)指標(biāo)。針對(duì)表2所示9個(gè)不同規(guī)模的訓(xùn)練集進(jìn)行獨(dú)立的實(shí)驗(yàn)，各個(gè)模型的預(yù)測(cè)標(biāo)準(zhǔn)差如圖6所示，SVM算法的穩(wěn)定性不及CAE-ELM模型，但優(yōu)于ELM、SWELM、SDAE、BP模型，說明SVM模型在柑橘黃龍病的鑒別中的穩(wěn)定性較好。SWELM在柑橘黃龍病的檢測(cè)鑒別中的穩(wěn)定性低于其它模型。CAE-ELM模型對(duì)于不同規(guī)模訓(xùn)練集的預(yù)測(cè)標(biāo)準(zhǔn)差均較小，表明其對(duì)柑橘葉片患病的檢測(cè)性能較其它模型更為穩(wěn)定、可靠。

在柑橘黃龍病的檢測(cè)鑒別中，除了要求模型的鑒別準(zhǔn)確度較高和穩(wěn)定性較強(qiáng)外，還需具有較快的運(yùn)行時(shí)間。針對(duì)表2所示不同規(guī)模的訓(xùn)練集對(duì)各個(gè)模型的運(yùn)行時(shí)間進(jìn)行評(píng)估，結(jié)果如表5。由于BP和SDAE模型需采用反向微調(diào)策略對(duì)模型的參數(shù)進(jìn)行優(yōu)化，這大大延長(zhǎng)了模型的訓(xùn)練時(shí)間，而CAE模型中引入了雅可比矩陣F范數(shù)的平方作為約束條件，使得模型無需達(dá)到實(shí)驗(yàn)設(shè)置的最大迭代次數(shù)，即可實(shí)現(xiàn)最優(yōu)解的求解，因此在運(yùn)行時(shí)間方面，CAE較BP和SDAE模型存在優(yōu)勢(shì)。此外，由于SWELM、ELM和SVM不需要復(fù)雜的特征提取過程，也不需要對(duì)其進(jìn)行預(yù)訓(xùn)練，因此在運(yùn)行時(shí)間方面均具有明顯的優(yōu)勢(shì)。在CAE-ELM模型中，CAE中雅克比矩陣F范數(shù)的平方約束條件大大縮減了求解最優(yōu)解值的迭代次數(shù)，同時(shí)，采用ELM代替CAE頂層的Softmax分類器和反向參數(shù)微調(diào)過程，使其運(yùn)行時(shí)間較BP、CAE和SDAE具有明顯優(yōu)勢(shì)。

為了說明測(cè)試集樣本保持不變情況下，構(gòu)成測(cè)試集正、負(fù)類樣本變化對(duì)CAE-ELM模型的影響， 以訓(xùn)練集/測(cè)試集數(shù)目為720/525為例，調(diào)整訓(xùn)練集負(fù)/正類樣本為120/600、240/480、360/360，其中正負(fù)類樣本從表1所示的數(shù)據(jù)集中隨機(jī)抽取，剩余的樣本作為測(cè)試集， 并將此基礎(chǔ)上運(yùn)行10次的均值作為各模型的分類準(zhǔn)確度，各模型運(yùn)行10次的平均鑒別準(zhǔn)確度和預(yù)測(cè)標(biāo)準(zhǔn)差如表6所示。 當(dāng)訓(xùn)練集樣本中正負(fù)樣本比例發(fā)生變化時(shí)，各模型的性能均受到一定程度的影響，其中SVM的分類準(zhǔn)確度受其影響最大，當(dāng)訓(xùn)練集中負(fù)樣本數(shù)為120時(shí)， 分類準(zhǔn)確度為90.99%，負(fù)樣本數(shù)為360時(shí)，鑒別準(zhǔn)確度為93.01%。無論訓(xùn)練集樣本比例如何變化，CAE-ELM鑒別模型均能保持約99.7%，且預(yù)測(cè)標(biāo)準(zhǔn)差約為0，表明CAE-ELM模型的鑒別能力不受測(cè)試集樣本構(gòu)成的影響。

5?結(jié) 論

本研究結(jié)合多層CAE和ELM提出了一種柑橘黃龍病的檢測(cè)方法，采用ELM代替CAE頂層的Softmax分類器和反向微調(diào)的過程，既結(jié)合了CAE較好的深層特征提取能力，也結(jié)合了ELM算法收斂性快、分類準(zhǔn)確度高等優(yōu)點(diǎn)。并針對(duì)柑橘葉片的近紅外光譜數(shù)據(jù)為實(shí)例進(jìn)行鑒別實(shí)驗(yàn)，無論訓(xùn)練集樣本規(guī)模大小，CAE-ELM模型均較其它模型具有較高的分類準(zhǔn)確度、更快的訓(xùn)練速度。尤其當(dāng)訓(xùn)練集/測(cè)試集為1080/165時(shí)，模型的分類準(zhǔn)確率達(dá)100.00。 研究表明，此模型在訓(xùn)練準(zhǔn)確度、穩(wěn)定性和運(yùn)行時(shí)間方面均表現(xiàn)出較好的效果，可用于柑橘黃龍病的鑒別。

References

1?Chapelle M L D L， Lefrant S， Journet C， Maserb K W， Bernierb P， Loiseauc A. Carbon， 1998， 36（5）： 705-708

2?REN Xiang-Nan， LIANG Qiong-Lin. Journal of Instrumental Analysis， ?2017， ?36（2）： 161-169

任向楠， 梁瓊麟. 分析測(cè)試學(xué)報(bào)， 2017， ?36（2）： 161-169

3?Zhou B， Li Y， Niu G， Lan M， Jia Q， Liang Q. ACS Appl. Mater. Interfaces， ?2016， ?8（44）： 29899-29905

4?XIE Yue， ZHOU Cheng， TU Cong， ZHANG Zu-Liang， WANG Jian-Fei. Chinese J. Anal. Chem.， ?2017， ?45（3）： 363-368

謝 越， 周 成， 涂 從， 張祖亮， 汪建飛. ?分析化學(xué)， 2017， ?45（3）： 363-368

5?ZHAI Ming-Yang， ZHAO Yuan， GAO Hao. Chinese J. Anal. Chem.， ?2018， ?46（6）： 896-901

翟明陽， 趙 遠(yuǎn)， 高 浩. ?分析化學(xué)， 2018， ?46（6）： 896-901

6?Graa D J V， Douhan G W， Halbert S E， Lee R F， Vidalakis G. J. Integr. Plant. Biol.， ?2016， ?58（4）： 373-387

7?Balan B， Ibez A M， Dandekar A M， Caruso T， Martinelli F. Front. Plant. Sci.， ?2018， ?9（1）： 277

8?WAN Shuang， XIAO Wan-Yu， HUANG Jiang-Hua. Journal of Zhongkai University of Agriculture and Engineering， ?2018， ?31（1）： 1674-1681

萬 爽， 肖婉鈺， 黃江華. ?仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào)， 2018， ?31（1）： 1674-168

9?LIU Yan-De， YE Ling-Yu， SUN Xu-Dong， HAN Ru-Bing， XIAO Huai-Chun， MA Kui-Rong， ZHU Dan-Ning， WU Ming-Ming. Chinese Optics.， 2018， 11（1）： 83-91

劉燕德， 葉靈玉， 孫旭東， 韓如冰， 肖懷春， 馬奎榮， 朱丹寧， 吳明明. 中國光學(xué)， 2018， 11（1）： 83-91

10?Sankaran S， Ehsani R. Crop. Prot.， ?2011， ?30（11）： 1508-1513

11?Mishra A R，Karimi D， Ehsani R. T. Asabe.， ?2012， ?55（2）： 711-720

12?Pourreza A， Lee W S， Raveh E， Ehsani R， Etxeberria E. T. Asabe.， ?2014， ?57（57）： 259-272

13?Sankaran S， Maja J M， Buchanon S， Ehsani R. Sensors， ?2013， ?13（2）： 2117-2120

14?LIU Yan-De， XIAO Huai-Chun， SUN Xu-Dong， ZHU Dan-Ning， HAN Ru-Bing， YE Ling-Yu， WANG Jun-Gang， MA Kui-Rong. Trans. Chi. Soc. Agric. Eng.， ?2018， ?34（3）： 180-187

劉燕德， 肖懷春， 孫旭東， 朱丹寧， 韓如冰， 葉靈玉， 王均剛， 馬奎榮. ?農(nóng)業(yè)工程學(xué)報(bào)， 2018， ?34（3）： 180-187

15?Chen D， Lv X， Wang H， Liu J， Zeng X. International Conference on Biomedical and Biological Engineering， ?2016， 86（1）： 28-42

16?LIU Yan-De， XIAO Huai-Chun， SUN Xu-Dong， HAN Ru-Bing， YE Ling-Yu， HUANG Liang， XIAO Yu-Sun， LIAO Xiao-Hong. Spectrosc. Spect. Anal.， ?2018， ?38（2）： 528-534

劉燕德， 肖懷春， 孫旭東， 韓如冰， 葉靈玉， 黃 亮， 肖禹松， 廖小紅. ?光譜學(xué)與光譜分析， 2018， ?38（2）： 528-534

17?SUN Xu-Dong， LIU Yan-De， XIAO Huai-Chun， ZHANG Zhi-Chen， LI Ze-Min， LV Qiang. Spectrosc. Spect. Anal.， ?2017， ?37（2）： 551-556

孫旭東， 劉燕德， 肖懷春， 張智誠， 李澤敏， 呂 強(qiáng). ?光譜學(xué)與光譜分析， 2017， ?37（2）： 551-556

18?Sofronov A N， Balagula R M， Firsov D A. Semiconductors， ?2018， ?52（1）： 59-63

19?Feng W， Zhu T H， Fang Z. IEEE T. Sustain. Energ.， ?2017， ?8（1）： 249-257

20?Cocos A， Fiks A G， Masino A J. J. Am. Med. Inform. Assoc.， ?2017， ?24（4）： 813-821

21?ZHANG Wei-Dong， LI Ling-Qiao， HU Jin-Quan， FENG Yan-Chun， YIN Li-Hui， HU Chang-Qin， YANG Hui-Hua. Chinese J. Anal. Chem.， ?2018， ?46（9）：1446-1454

張衛(wèi)東， 李靈巧， 胡錦泉， 馮艷春， 尹利輝， 胡昌勤， 楊輝華. ?分析化學(xué)， 2018， ?46（9）： 1446-1454

22?WANG Cui， WU Xin-Hui， LI Lian-Qing， WANG Yu-Shun， LI Zhi-Wei. Spectrosc. Spect. Anal.， ?2018， ?38（1）： 36-41

王 璨， 武新慧， 李戀卿， 王玉順， 李志偉. ?光譜學(xué)與光譜分析， 2018， ?38（1）： 36-41

23?DU Jian， HU Bing-Liang， LIU Yu-Zheng， WEI Cui-Yu， ZHANG Geng， TANG Xing-Jia. Spectrosc. Spect. Anal.， ?2018， ?38（5）：1514-1519

杜 劍， 胡炳樑， 劉永征， 衛(wèi)翠玉， 張 耿， 唐興佳. ?光譜學(xué)與光譜分析， 2018， ?38（5）： 1514-1519

24?XIAO Xue， LI Jun-Shan， ZHANG Bo， YANG Hui-Hua， LIANG Qiong-Lin， WANG Yi-Ming， LUO Guo-An. Acta Scientiarum Naturalium Universitatis Nankaiensis， ?2017， ?5（3）： 46-50

肖 雪， 李軍山， 張 博， 楊輝華， 梁瓊麟， 王義明， 羅國安. ?南開大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017， ?5（3）： 46-50

25?Jie G， Wang H， Fan J， Ma S. IEEE T. Geosci. Reote.， ?2017， ?55（4）： 2442-2459

26?Huang G B， Zhu Q Y， Siew C K. Neurocomputing， ?2006， ?70（1）： 489-501

27?CHU Xiao-Li. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications. Beijing： Chemical Industry Press， ?2011： ?49

褚小立. ?化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù). 北京： 化學(xué)工業(yè)出版社， 2011： ?49

28?ZHOU Jie-Qian， LIU Zhen-Bing， YANG Hui-Hua， FENG Yan-Chun， YIN Li-Hui， HU Chang-Qin. Spectrosc. Spect. Anal.， ?2017， ?37（8）： 2412-2417

周潔茜， 劉振丙， 楊輝華， 馮艷春， 尹利輝， 胡昌勤. ?光譜學(xué)與光譜分析， 2017， ?37（8）： 2412-2417

29?Pardo S， Martínez A M， Figueroa J I， Viuela E， Miranda M A， Valle J， Pineda S. Pest. Manag. Sci.， ?2018， ?74（1）： 34-47