matlab求导代码-Soil-Prediction:我对非洲土壤特性预测挑战的第二名解决方案

matlab求导代码土壤预测 概括 本文描述了解决非洲土壤特性预测挑战的二等奖方法。 。 在这场比赛中，需要从漫反射红外光谱测量中预测5种目标土壤功能特性。 该解决方案包括两个步骤：数据预处理和模型预测。 在预处理阶段，我们使用了2种方法，一种应用于目标1-4（PIDN / Ca / P / pH / SOC），另一种应用于目标5（Sand）。 第二步是将处理后的特征馈送到神经网络。 为了确保CV误差稳定，我们必须对足够多的模型进行平均。 我们最终得到100个模型，以获得合理的稳定误差。 特征选择和提取 为了优化预测结果，主要工作集中在特征稀释和处理上。 我们首先以标准方式将要素抽取8，以16抽头的汉明窗进行低通，然后以8抽取。这种抽取是粗略的，并且会忽略具有不同类型（例如表土/底土等）的数据。跳过功能41-99，因为它们包含的信息不多。 我们最终获得了391个功能。 对于目标5（Sand），它用作具有1--4-4-1体系结构的2层神经网络的输入（线性归一化之后）。 对于目标1-4，我们进行了更多处理。 首先，我们计算得到的390个特征的导数（差异序列），然后将结果居中，最后一步是增强