基于壓縮自編碼融合極限學習機的柑橘黃龍病鑒別方法

路皓翔 徐明昌 張衛東 楊輝華 劉振丙

摘?要?針對柑橘黃龍病檢測模型的準確度較低、可靠性較差等問題，提出了一種壓縮自編碼融合極限學習機（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分類器和反向微調階段，達到減少算法運行時間同時提高模型的穩定性及鑒別能力的目的。其中，CAE實現了樣本深層特征提取，ELM可實現分類鑒別。為了評估CAE-ELM模型性能，以不同比例的柑橘葉片近紅外光譜數據作為訓練集進行實驗，采用波形疊加極限學習機（Summation wavelet extreme learning machine， SWELM）、ELM、支持向量機（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作為對比方法。在柑橘黃龍病的鑒別實驗中，無論訓練集樣本大小，CAE-ELM均能保持最高的分類準確度，尤其當訓練集與測試集為1080/165時分類準確度達100.00。同時，CAE-ELM模型比SDAE、CAE和BP模型具有更快的訓練速度，但慢于SVM、ELM和SWELM模型。結果表明，CAE-ELM模型可以準確鑒別柑橘黃龍病，且模型具有良好的魯棒性和可擴展性。

關鍵詞?壓縮自編碼; 極限學習機; 近紅外光譜; 柑橘黃龍病

1?引 言

近年來，化學計量學結合光譜分析技術已經廣泛用于各個行業和產業[1～4]，其中近紅外光譜分析技術具有檢測準確度高、無污染、高效的優點，受到廣泛關注。柑橘黃龍病是柑橘產業的毀滅性病害，在我國的廣西、江西、湖南等柑橘主產區傳播廣泛[5]。因無有效的根治方法，一旦柑橘樹發病，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行傳播的類細菌病原體[6，7]，柑橘樹一旦感染該病菌，會導致其根須腐爛，在很短的時間內喪失結果的能力，造成極大的損失。研究人員針對柑橘黃龍病的檢測進行了深入的研究[8，9]。Sankaran等[10]采用可見-近紅外光譜對柑橘黃龍病進行檢測研究，為近紅外光譜用于柑橘黃龍病的檢測提供了理論基礎。Mishra等[11]采用K近鄰（K Nearest neighbor，KNN）、邏輯回歸（Logistic regression，LR）和SVM分類器對柑橘葉片的近紅外光譜信息進行鑒別，準確度>90%，然而其針對的是同一棵果樹上不同葉片的光譜信息。Pourez等[12]針對高光譜數據維度高、共線性等問題，采用特征篩選技術對柑橘黃龍病進行檢測。Maja等[13]以可見近紅外和熱成像波段的平均反射率數據為研究對象，采用SVM對柑橘黃龍病進行檢測，其準確度僅為85%。劉燕德等[14]采用無信息變量消除（Uninformative variable elimination， UVE）結合連續投影算法（Successive projections algorithm， SPA）對柑橘葉片光譜特征進行篩選，然后利用偏最小二乘支持向量機（Partial least squares support vector machine， LS-SVM）對篩選出來的光譜特征進行鑒別，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據，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合可見與近紅外光譜分析技術實現了柑橘葉片黃龍病感染程度的分級檢測。孫旭東等[17]采用高光譜技術，應用峰值比判別模型和PLS-DA模型構成兩步判別法，實現了柑橘葉片正常、缺素和黃龍病的鑒別。然而，近紅外光譜分析技術在柑橘黃龍病檢測方面的研究相對較少，且已有的方法存在檢測準確度低、模型魯棒性較差等問題。

深度學習屬于一種典型的無監督特征學習，能夠更好地提取樣本深層特征，在醫學圖像處理、汽車輔助駕駛、藥品鑒別及智慧城管等領域應用廣泛[18，19]。由于近紅外光譜數據的維度相對較高，為了提高近紅外光譜分析模型的穩定性和可靠性，研究者嘗試將深度學習應用于近紅外光譜分析領域，如真假藥品鑒別[20，21]、土壤含水率預測[22]、食品品質鑒別[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據為實例進行分類鑒別實驗，對CAE-ELM模型在分類準確率、算法穩定性及運行時間3個方面的性能進行評估，并與SVM、SDAE、BP（兩層）、SWELM、ELM及CAE模型進行對比。結果表明，本方法能夠實現柑橘黃龍病的鑒別，方法準確可靠。

2?CAE-ELM鑒別模型

CAE是一種神經自編碼網絡[25]，采用雅克比矩陣F范數的平方作為誤差約束項，通過雅克比矩陣F提取樣本數據在各個方向的特征，實現數據降維，然后利用Softmax分類器進行分類。ELM作為一種單隱層神經網絡，具有較高的分類準確度和較強的非線性建模能力[26]。將CAE結合ELM提出了一種新的柑橘黃龍病的鑒別模型，具體CAE-ELM模型結構如圖1所示，此模型采用ELM代替CAE頂層的Softmax分類器和反向微調階段，不僅縮短了模型的運行時間，而且提高了模型的鑒別準確度。

CAE-ELM模型主要分為特征提取和分類鑒別兩個階段，首先將多個CAE堆疊在一起形成棧式CAE對柑橘葉片光譜數據中深層特征進行提取，然后將提取的深層特征送入ELM模型中進行鑒別。假設訓練集為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現原始數據x（n）的編碼：

（2）解碼過程： 從隱含層到CAE網絡的輸出層主要實現多個隱含層提取的樣本特征的解碼：

CAE網絡在數據解碼重構時，通過在損失函數中加入雅克比矩陣F范數的平方作為約束項，即

2.2?分類鑒別階段

將CAE網絡在Stage I階段提取的樣本特征n送入到ELM中實現分類，其中ELM網絡的閾值根據默認值設置為0.5。樣本特征送入到ELM網絡后，通過有監督學習對網絡參數進行微調使網絡輸出的樣本標簽與實際標簽之間誤差趨于零，即：

3?實驗部分

3.1?實驗數據

3.1.1?實驗材料?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個區域，并在每個區域選取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，去除葉片表面雜質對光譜數據采集的干擾; 然后，將葉片置于陰涼處陰干。采用實時熒光定量PCR方法對陰干后的葉片進行篩選，其中，患有黃龍病葉片的PCR測試為陰性標記為0，未患有黃龍病葉片的PCR測試為陽性標記為1;

最后，將標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型光譜儀測得每個柑橘葉片不同波長對應的吸光度值，進而得到其近紅外光譜曲線。每個葉片采集3條光譜，并取平均光譜作為該葉片的光譜曲線。光譜儀采樣波長為950～1650 nm，采樣間隔為1 nm，共1245條光譜，每條光譜701個吸光點。柑橘葉片的近紅外光譜信息如表1所示。

3.2?數據預處理

采集到的全部柑橘葉片近紅外光譜信息如圖2所示，柑橘葉片的光譜數據中存在與光譜信息無關的電噪聲、雜散光等，這些信息會對近紅外光譜分析模型的建立產生消極影響，因此，在利用其建立柑橘黃龍病鑒別模型時需進行預處理。

數據預處理方法會對模型的鑒別結果產生影響，因此需要選擇適合柑橘葉片光譜數據的預處理方法。以測試集/訓練集數目為720/525為例進行鑒別實驗，結果如表2所示，CAE-ELM對經過小波變換預處理后的光譜數據的分類鑒別準確度更高，且預測標準偏差更小。這主要是由于小波變換通過對柑橘葉片光譜進行時間、頻率的局部變換，在較小范圍內將有用信息置為非零值，實現有用信息的篩選，同時能夠消除光譜數據中存在的噪聲和基線偏移[27，28]，提高模型鑒別的準確度和穩定性。因此，本實驗采用小波變換對柑橘葉片光譜數據進行預處理。

3.3?ELM中隱含層數目的確定

研究表明，ELM網絡中隱含層神經元的數目對模型鑒別的準確度會產生較大的影響，因此需要設置合理的隱含層神經元的數目。在ELM網絡中，隱含層神經元的數目記為：

采用柑橘葉片樣品的近紅外光譜數據，將訓練集從120到1080，按照每次遞增120個樣本進行柑橘葉片黃龍病的鑒別實驗，結果如圖3所示，當ELM網絡中隱含層神經元比例參數（Ratio）在0.2～0.5時，不同規模訓練集的二分類鑒別實驗均保持較高的檢測鑒別準確度，當Ratio=0.3時準確度基本均達到最高。

3.4?CAE中壓縮系數的確定

壓縮系數λ是CAE網絡中極為重要的參數，合適的壓縮系數λ能使網絡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鑒別模型時需要確定壓縮系數λ的大小。當柑橘葉片光譜數據的訓練集從120到1080每次遞增120個樣本時，CAE網絡的鑒別準確度和壓縮系數λ之間的關系如圖4所示。壓縮系數λ選取為0.002附近時，各個比例訓練集樣本均取得較高的準確度。因此，本實驗選取壓縮系數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，仿真實驗運行在Inter （R） Core（TM） i5-5200U處理器上。CAE-ELM模型的網絡結構設置為701-400-200-train×0.3-2（train為訓練集樣本個數），其中ELM的源程序源自黃廣斌等于2006年開發的ELM工具箱（http：//www.ntu.edu.sg/home/egbhuang/elm_codes.html）。CAE-ELM模型實現柑橘黃龍病的檢測過程如下所述：

（1）數據預處理： 首先需要采用小波變換（尺度值Scale=3，母小波波長設為32×Scale）對樣品光譜數據進行預處理，消除葉片光譜數據中存在的噪聲、基線漂移等。

（2）預訓練階段： 將經過預處理后的數據送入CAE網絡中實現深層特征的提取。其中，CAE網絡結構設置為701-400-200，最大迭代次數設置為200，學習率設置為0.1，激活函數采用Sigmoid，誤差函數函數采用均方根誤差。

（3）ELM微調階段： 采用ELM網絡代替傳統的反向傳播算法對CAE的參數進行優化，其中ELM網絡結構設置為200-train×0.3-2，迭代次數設置為100，激活函數采用Sigmoid。

（4）測試階段： 將測試數據送入到訓練好的CAE-ELM模型中進行分類鑒別，實現柑橘黃龍病的早期檢測。

（5）對比階段： 采用SVM、SDAE、BP（兩層）、SWELM、ELM和CAE模型作為對比方法。其中，SDAE模型結構為701-400-100-2，激活函數采用Sigmoid，迭代次數設置為50，兩層學習率均設置為0.03，頂層分類器采用Softmax; SVM采用線性核函數，參數設置為c=1，Gamma=0.3; ELM和SWELM的網絡結構均設置為701-train×0.3-2; BP網絡選用兩層網絡，結構設置為701-300-100-2，激活函數采用Sigmoid，迭代次數設置為50，兩層學習率均設置為0.05。CAE網絡結構設置701-400-200-2，激活函數選用Sigmoid，迭代次數設置為60，學習率設置為0.05，頂層分類器采用Softmax。

4?結果與討論

4.1?柑橘葉片光譜特征分析

由于葉片是由多種有機物混合而組成的，這些有機物分子中包含多個CH、OH和NH等含氫基團，而近紅外光譜主要反映了含氫基團分子振動的倍頻和合頻吸收[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波段范圍內存在基線漂移現象。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，同時加速了糖類物質的分解，導致葉片的含氫基團減少造成的。

4.2?數據集配置

為了評價CAE-ELM模型對柑橘葉片近紅外光譜數據的鑒別能力，利用表1的數據集進行二分類實驗，并與其它模型進行對比評價。為了驗證訓練集大小對CAE-ELM模型的影響，按表3構造9個不同大小的訓練集樣本，其中正負類樣本數目按表3所示大小隨機抽取，然后根據訓練集的數目分別對CAE-ELM模型進行配置，并將此基礎上運行10次的均值作為各模型的分類準確度、訓練時間及算法穩定性的性能參考值。

4.3?黃龍病的鑒別

在柑橘葉片是否患有黃龍病的鑒別中，鑒別的準確度是一個關鍵指標。本實驗采用SWELM、ELM、SVM、SDAE、BP和CAE作為對比方法，按表3所示的數據集對各個模型進行獨立的設置，各模型運行10次的平均鑒別準確度和預測標準差如表4所示，針對不同比例柑橘葉片訓練集，BP（2層）、SDAE和SWELM具有相似的準確度，但低于SVM和CAE-ELM，說明其非線性建模的能力較弱，對于柑橘葉片鑒別的準確度和可靠性較差。無論數據集的規模多少，CAE的鑒別準確度均較低，說明CAE非線性建模能力較差，即對柑橘葉片的鑒別結果和可靠性較差。CAE-ELM較ELM和CAE表現出較高的分類準確度，表明該模型在柑橘葉片是否患有黃龍病的檢測中較其它模型更為可靠。尤其當訓練/測試集為1080/165時，CAE-ELM的分類準確度可以達到100%，說明此比例下模型可準確識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據的增多，CAE能夠提取更豐富的特征，更有利于ELM進行分類。此外，無論數據集的規模多少，SVM均表現出較高的分類準確度，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。

算法的穩定性決定了模型的應用和推廣能力，本研究采用預測標準差作為各模型穩定性的評價指標。針對表2所示9個不同規模的訓練集進行獨立的實驗，各個模型的預測標準差如圖6所示，SVM算法的穩定性不及CAE-ELM模型，但優于ELM、SWELM、SDAE、BP模型，說明SVM模型在柑橘黃龍病的鑒別中的穩定性較好。SWELM在柑橘黃龍病的檢測鑒別中的穩定性低于其它模型。CAE-ELM模型對于不同規模訓練集的預測標準差均較小，表明其對柑橘葉片患病的檢測性能較其它模型更為穩定、可靠。

在柑橘黃龍病的檢測鑒別中，除了要求模型的鑒別準確度較高和穩定性較強外，還需具有較快的運行時間。針對表2所示不同規模的訓練集對各個模型的運行時間進行評估，結果如表5。由于BP和SDAE模型需采用反向微調策略對模型的參數進行優化，這大大延長了模型的訓練時間，而CAE模型中引入了雅可比矩陣F范數的平方作為約束條件，使得模型無需達到實驗設置的最大迭代次數，即可實現最優解的求解，因此在運行時間方面，CAE較BP和SDAE模型存在優勢。此外，由于SWELM、ELM和SVM不需要復雜的特征提取過程，也不需要對其進行預訓練，因此在運行時間方面均具有明顯的優勢。在CAE-ELM模型中，CAE中雅克比矩陣F范數的平方約束條件大大縮減了求解最優解值的迭代次數，同時，采用ELM代替CAE頂層的Softmax分類器和反向參數微調過程，使其運行時間較BP、CAE和SDAE具有明顯優勢。

為了說明測試集樣本保持不變情況下，構成測試集正、負類樣本變化對CAE-ELM模型的影響， 以訓練集/測試集數目為720/525為例，調整訓練集負/正類樣本為120/600、240/480、360/360，其中正負類樣本從表1所示的數據集中隨機抽取，剩余的樣本作為測試集， 并將此基礎上運行10次的均值作為各模型的分類準確度，各模型運行10次的平均鑒別準確度和預測標準差如表6所示。 當訓練集樣本中正負樣本比例發生變化時，各模型的性能均受到一定程度的影響，其中SVM的分類準確度受其影響最大，當訓練集中負樣本數為120時， 分類準確度為90.99%，負樣本數為360時，鑒別準確度為93.01%。無論訓練集樣本比例如何變化，CAE-ELM鑒別模型均能保持約99.7%，且預測標準差約為0，表明CAE-ELM模型的鑒別能力不受測試集樣本構成的影響。

5?結 論

本研究結合多層CAE和ELM提出了一種柑橘黃龍病的檢測方法，采用ELM代替CAE頂層的Softmax分類器和反向微調的過程，既結合了CAE較好的深層特征提取能力，也結合了ELM算法收斂性快、分類準確度高等優點。并針對柑橘葉片的近紅外光譜數據為實例進行鑒別實驗，無論訓練集樣本規模大小，CAE-ELM模型均較其它模型具有較高的分類準確度、更快的訓練速度。尤其當訓練集/測試集為1080/165時，模型的分類準確率達100.00。 研究表明，此模型在訓練準確度、穩定性和運行時間方面均表現出較好的效果，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. 分析測試學報， 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， 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， 高 浩. ?分析化學， 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. ?仲愷農業工程學院學報， 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， 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. ?農業工程學報， 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. ?光譜學與光譜分析， 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

張衛東， 李靈巧， 胡錦泉， 馮艷春， 尹利輝， 胡昌勤， 楊輝華. ?分析化學， 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， 衛翠玉， 張 耿， 唐興佳. ?光譜學與光譜分析， 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. ?南開大學學報（自然科學版）， 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. ?化學計量學方法與分子光譜分析技術. 北京： 化學工業出版社， 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