针对草原土壤属性高光谱监测过程中地表枯落物对土壤光谱建模精度的影响。 以呼伦贝尔典型草原土壤光谱为研究对象, 通过室内模拟光谱实验及野外光谱实测验证, 分析混合光谱特征, 揭示枯枝落叶层对土壤光谱影响的规律, 提出了基于光谱相似值约束下的盲源分离ICA算法, 对混合光谱进行解混, 削减枯枝落叶层对土壤光谱的影响。 结果表明, (1)随枯枝落叶盖度增加, 光谱纤维素吸收指数(CAI)增加, 呈二次回归递增趋势, 可有效检验混合光谱中枯枝落叶的覆盖程度； (2)混合光谱在700 nm跃迁波段有明显的斜率陡增现象, 并在1 680及1 754 nm处存在微弱的木质素吸收特征, 在2 100 nm附近处出现强吸收特征； (3)优化后的BSS-ICA算法可有效分离枯枝落叶同土壤的混合光谱, 进而提升野外光谱估测有机碳含量的精度, 分别利用偏最小二乘回归(PLSR)、 支持向量机(SVM)及随机森林(RF)对解混前后光谱建立预测有机碳预测模型； 其中SVM模型预测精度最高, 预测集的R2从0.71提高到0.75, RMSE从4.82 g·kg-1降低到4.50 g·kg-1。 通过实验研究对定向去除外部环境参数中的地表枯枝落叶层对土壤高光谱影响进行了实证, 并通过野外实测数据验证解混算法的有效性, 为完善野外原位光谱数据反演及监测土壤理化属性提供理论依据。

煤是工业的主要能源, 煤的品质对工业和环境起决定性作用。 在使用煤的过程中, 如果不能准确确定煤的品种, 有可能对生产效率、 环境污染、 经济损失等会造成重大的影响。 传统的煤分类, 主要依靠人工方法和化学分析方法, 这些方法的缺点是高成本和耗费时间。 如何快速准确确定煤的品质很重要。 因此, 提出深度学习、 极限学习机-ELM算法和可见、 红外光谱联合建立煤矿分类模型。 首先, 从抚顺、 伊敏和河南夹津口煤矿区采取不同煤样品, 并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。 然后利用深度学习的卷积神经网络-CNN提取光谱特征, 并采用ELM算法对光谱数据建立分类模型。 最后, 为进一步提高分类精度, 引入粒子群算法。 通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法, 并使用改进粒子群算法优化CNN-ELM网络。 实验结果表明, 和PCA特征提取方法比较, CNN网络能够更好的提取光谱特征, CNN-ELM分类模型有良好的分类效果; 改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。 与传统的化学分析方法和人工方法相比, 此方法在经济、 速度、 准确性方面均具有无可比的优势。

由工业发展需求, 针对菱镁矿石矿物含量不同以及分布不均匀而难以判定其品级的情况, 提出一种由近红外光谱技术结合ELM的菱镁矿石品级分类模型。 该模型可以实现菱镁矿石品级的快速分类。 近红外光谱利用菱镁矿中不同种类含H基团对近红外光谱有不同吸收的特性, 用来测定菱镁矿石的成分及其含量, 其操作简便、 不破坏样品、 速度快、 准确高效。 以辽宁省营口市大石桥的菱镁矿石30组为研究对象, 采集菱镁矿石的近红外光谱数据样本30×973。 采用主成分分析(PCA)对其进行降维处理, 以主元贡献率大于99.99%而得到10维的特征变量值。 建立了ELM算法定量分析数学模型, 取20组样本为训练样本(包括6组特级, 14组非特), 其余10组作为测试样本(其中4组特级, 6组非特), ELM算法模型的隐含层节点数选取20。 为了进一步提高分类效果, 提出两种ELM算法模型的改进: 采用循环模式对传统ELM的输入权值和阈值进行寻优的精选ELM和在精选ELM基础上进行集成的集成-精选ELM。 并与用人工方法、 化学方法和BP神经网络模型方法对菱镁矿石样品品级分类作对比。 结果表明: 近红外光谱和ELM菱镁矿石品级分类模型不论在时间上还是成本上, 都具有明显的优势, 且其准确率能够达到90%以上, 为菱镁矿石品级分类提供了一条新的途径。