一种基于近红外光谱特征和1D-PS-CNN的松属物种鉴别方法技术

本发明专利技术提出一种基于近红外光谱特征和1D‑PS‑CNN的松属物种鉴别方法，具体包括以下步骤：S1：获取各类松属近红外光谱数据并进行预处理，将预处理后的各类松属近红外光谱数据划分为训练集、验证集和测试集；S2：对一维卷积神经网络1D‑CNN进行改进，构建一维递进卷积神经网络模型1D‑PS‑CNN；S3：利用所述训练集、验证集和测试集对1D‑PS‑CNN模型进行训练、验证与测试，并获得最优1D‑PS‑CNN模型；S4：将通过近红外光谱仪采集的未鉴定的松属近红外光谱数据输入1D‑PS‑CNN模型进行物种鉴别。发明专利技术利用近红外光谱数据，结合改进的1D‑PS‑CNN模型，相对传统的鉴别方法，对不同的松属物种鉴别更快速、更高效。

【技术实现步骤摘要】

本专利技术涉及物种识别，具体涉及一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法。

技术介绍

1、松属是松柏类植物中最大的属，具有极其重要的生态和经济价值。但是，松属植物的基因组十分庞大、分子进化速率慢，造成不同松属物种的特征相似性极高，辨别其物种归属难度很大。目前已有对松属物种类别的研究技术主要有：傅里叶变换红外光谱、物种的dna分子鉴定技术、显微鉴定法、植物形态学物种鉴定方法等。

2、其中，植物形态学物种鉴定是通过采集样本的根部、茎部、叶部等性状特征，根据性状展现的颜色，纹理特征等性状特点来对松属物种进行鉴别。由于植物形态学物种鉴定方法不需要特定的实验设备和实验试剂，随时可以通过观察即可进行鉴定，因此是目前在松属物种鉴别中应用最广的鉴定方法。但是植物形态学物种鉴定法需要多年识别经验和相关的知识扩充，具有一定的主观性。显微鉴定法是将样本的根部、茎部、叶部切块制成表皮切片或者石蜡切片，通过利用显微镜观察结构特征来鉴别松属物种。显微鉴定法相对更加准确和客观，但是该方法不仅依赖专业知识，还需要借助仪器和试剂，并且会破坏样本。dna分子标本文档来自技高网...

【技术保护点】

1.一种基于近红外光谱特征和1D-PS-CNN的松属物种鉴别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于近红外光谱特征和1D-PS-CNN的松属物种鉴别方法，其特征在于，所述预处理采用标准差标准化法，具体为对每一个特征维度去均值和方差归一化，使数据符合标准正态分布，即均值为0，标准差为1，其转化函数如下：

3.根据权利要求1所述的一种基于近红外光谱特征和1D-PS-CNN的松属物种鉴别方法，其特征在于，所述划分具体为：在每一松属类别下随机选取20％的预处理后的数据作为模型的测试子集，该类别剩下的80％的数据再随机切分成20％的验证子集和8...

【技术特征摘要】

1.一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述预处理采用标准差标准化法，具体为对每一个特征维度去均值和方差归一化，使数据符合标准正态分布，即均值为0，标准差为1，其转化函数如下：

3.根据权利要求1所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述划分具体为：在每一松属类别下随机选取20％的预处理后的数据作为模型的测试子集，该类别剩下的80％的数据再随机切分成20％的验证子集和80％的训练子集，对每一类别预处理后的各类松属近红外光谱数据进行划分后，将各类的训练子集、验证子集和测试子集整合为训练集、验证集和测试集。

4.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：陈冬英，林灵燕，魏建崇，翁伟雄，陈培亮，
申请(专利权)人：福建江夏学院，
类型：发明
国别省市：