優(yōu)化算法在農(nóng)作物高光譜檢測模型中的應(yīng)用

張黎黎

為探究水稻紋枯病檢測方法，指導水稻變量施藥并提升水稻品質(zhì)，研究學者利用極限學習機（ELM）建立無人機高光譜水稻紋枯病診斷模型，并利用粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）對模型進行優(yōu)化。PSO是一種仿生優(yōu)化算法，該算法的核心思想是通過模擬鳥類群體的覓食行為形成的，采用PSO算法尋找ELM中權(quán)重和閾值的全局最優(yōu)值，優(yōu)化選擇ELM的隱含層偏差和輸入層權(quán)重，從而計算出輸出權(quán)重矩陣。該研究表明，經(jīng)PSO優(yōu)化后的模型，在提升ELM運行速度的前提下精度提高約15%。PSO算法具體優(yōu)化過程如下。

（1）參數(shù)初始化。設(shè)置粒子群的最大迭代次數(shù)K，種群規(guī)模M，學習因子，權(quán)重因子ω，粒子維數(shù)D。

2 天牛須優(yōu)化算法在農(nóng)作物氮素含量反演中的應(yīng)用

天牛須優(yōu)化算法（Beetle Antennae Search Algorithm，BASA）是一種高效智能的優(yōu)化算法，該算法是通過模仿天牛和甲蟲覓食原理而形成的。算法具有運算量小、運算速度快、尋優(yōu)能力強等特點。為獲取水稻植株的氮素含量情況，指導農(nóng)戶進行合理的追肥。有研究利用ELM構(gòu)建了高光譜水稻氮素含量檢測模型。并利用BAS對該模型進行了優(yōu)化。研究以篩選后的特征波段作為反演模型的自變量輸入量，該算法的具體優(yōu)化流程如下。

（1）參數(shù)初始化。設(shè)定ELM的隱含層神經(jīng)元數(shù)量，根據(jù)神經(jīng)元的個數(shù)和輸入量的維度確定自變量維度，初始化天牛須算法的起始步長step、步長更改系數(shù)eta、迭代次數(shù)以及維參數(shù)自變量。

（2）計算方向向量。根據(jù)正態(tài)分布的方式，得到在每次迭代過程中的一維自變量變化的方向向量，記為dire。