| 基于多任务卷积神经网络的浮游藻类群落识别方法 |
| |
| 引用本文： | 程钊,赵南京,殷高方,张小玲,王翔.基于多任务卷积神经网络的浮游藻类群落识别方法[J].光学学报,2022,42(5):235-243. |
| |
| 作者姓名： | 程钊 赵南京 殷高方 张小玲 王翔 |
| |
| 作者单位： | 中国科学院合肥物质科学研究院安徽光学精密机械研究所环境光学与技术重点实验室,安徽合肥230031;中国科学技术大学,安徽合肥230026;安徽省环境光学监测技术重点实验室,安徽合肥230031,中国科学院合肥物质科学研究院安徽光学精密机械研究所环境光学与技术重点实验室,安徽合肥230031;安徽省环境光学监测技术重点实验室,安徽合肥230031,安徽大学,安徽合肥230601 |
| |
| 基金项目： | 国家重点研发计划(2016YFC1400600)；;安徽省自然科学基金(2008085QF316)； |
| |
| 摘 要： | 针对混合浮游藻类群落离散三维荧光光谱特征识别，对比分析了简单卷积神经网络(PlainCNN)和文本卷积神经网络(TextCNN)模型对5种常见门类藻(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)混合数据的种类识别准确率及浓度测量精度。结果表明，在藻类独立识别及浓度回归分析中，PlainCNN模型对测试集的平均识别准确率和浓度输出结果的平均均方误差分别为90%和0.052,均优于TextCNN模型。为了同时实现混合藻类种类识别和浓度分析，基于PlainCNN模型提出了多任务卷积神经网络PlainCNN-MT模型。该模型对混合藻类种类识别的平均准确率提高至95%,浓度输出结果的平均均方误差降低至0.039,表明多任务卷积神经网络在浮游藻类群落识别与定量分析中更具优势。
|
| 关 键 词： | 光谱学 浮游藻类 离散三维荧光光谱 卷积神经网络 种类识别 定量分析 |
Identification Method of Planktonic Algae Community Based on Multi-Task Convolutional Neural Network |
| |
| Cheng Zhao,Zhao Nanjing,Yin Gaofang,Zhang Xiaoling,Wang Xiang.Identification Method of Planktonic Algae Community Based on Multi-Task Convolutional Neural Network[J].Acta Optica Sinica,2022,42(5):235-243. |
| |
| Authors: | Cheng Zhao Zhao Nanjing Yin Gaofang Zhang Xiaoling Wang Xiang |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
