没有合适的资源?快使用搜索试试~ 我知道了~
基于多任务卷积神经网络的浮游藻类群落识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 62 浏览量
2023-02-23
20:49:57
上传
评论
收藏 1.18MB DOCX 举报
温馨提示
试读
15页
基于多任务卷积神经网络的浮游藻类群落识别方法.docx
资源推荐
资源详情
资源评论
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。
Abstract
ing at the identification of the characteristics of the discrete three-dimensional
fluorescence spectra for the planktonic mixed algae community, the spiecies
identification accuracy and concentration measurement accuracy of mixed data of five
common phylum species of algae (Microcystis aeruginosa, Scenedesmus
obliquus, Nitzschia sp., Peridinium umbonatum var.inaequale and Cryptomonas
obovata.) are compared and analyzed by the plain convolutional neural network
(PlainCNN) model and the text convolutional neural network (TextCNN) model. The
results show that in the algae independent identification and concentration regression
analysis, the average identification accuracy of the test set and the average mean square
error of the results of the concentration output of the PlainCNN model are 90% and 0.052
respectively, which are better than that of TextCNN model. In order to realize species
identification and concentration analysis of mixed algae at the same time, a multi-task
convolutional neural network, i.e., PlainCNN-MT model, is proposed based on the
PlainCNN model. The average accuracy of the model for the species identification of
mixed algae is increased to 95%, and the average mean square error of the results of the
concentration output is reduced to 0.039, indicating that the multi-task convolutional
neural network has more advantages in the identification and quantitative analysis of
planktonic algae community.
1 引言
在自然水域中浮游藻类具有适应性强、群落结构稳定和分布范围广等特点,现其作为反映水
质与受污染情况的重要指示物,被广泛用于水质环境监测研究中
[1-2]
。在遭受外部水体环境变
化如水体富营养化、气候变化和人为活动的环境污染时,藻类群落结构与含量会发生明显改
变,因此对自然水体中藻类群落实时在线监控具有重要意义
[3-4]
。明确藻类群落组成与浓度
(质量分数)为水体环境评价提供了重要的指导方向与数据支撑。
在自然水域浮游藻类实时在线检测中,三维荧光光谱法具有灵敏度高、选择性好、指纹信息
丰富和不破坏分析样品分子结构等优点。通过对藻类指纹信息提取荧光特征,能有效识别一
些藻种门类信息
[5-6]
。然而,在实际操作时,大多数藻类是由群落组成的,不同门类间藻种特征
会相互覆盖和干扰,这对群落结构中单组分门类识别和浓度定量造成一定困难,进而对藻类
数据的处理提出了更高的要求。卷积神经网络(CNN)是计算机深度学习中包含卷积计算的
重要算法之一,具有优秀的建模和模拟能力
[7-8]
。为了建立浮游藻类监测数据与群落结构组成
的联系,很多学者将深度学习方法引入到藻类特征识别与定量研究中。张志栋等
[9]
研究了水
体实时监测的藻类细胞图像数据,结合深度学习方法,对夜光藻和青岛大扁藻实现了组分识
别和浓度定量分析。李显鹏等
[10]
基于 CNN 算法研究了藻类的缪勒矩阵偏振特征,对海洋藻
类进行了分类。姚俊杨等
[11]
通过深度学习建模对叶绿素 a 浓度进行了分析并得到了预测结
果,达到了对湖库水华预测的目的。Kim
[12]
基于 CNN 发展的文本卷积神经网络(TextCNN)模
型能很好地处理基于自然语言的计算机应用,对数据浅层特征的提取效果明显,数据容错性
高,具有应用广泛、运算迅捷等优势。
藻类群落的离散三维荧光光谱数据是基于三维荧光光谱选择性地提取出优化特征数据,可实
现对藻种门类的快速荧光检测
[13-14]
。为探索混合藻类离散三维荧光光谱数据的藻种识别和
含量检测性能,根据数据特点采用了几种基于 CNN 不同结构的数据处理方法,分析比较了不
同 CNN 模型处理藻类群落数据的数据结果。第一种是简单的 CNN 模型结构,将离散的三
维荧光图像当成输入数据,通过局部连接的 CNN 结构形式进行运算,记为 PlainCNN。第二
种是将离散三维荧光数据类比自然语言,通过文本分类方法进行运算,记为 TextCNN。第三
种是共享基础参数与数据,同时兼顾组分识别和浓度定量两种任务的多任务卷积神经网络模
型计算,记为 PlainCNN-MT。通过比较不同类型的 CNN 模型对藻类离散三维数据的分析结
果,探索藻群荧光数据分析方法,为藻种门类的分类识别和浓度定量提供新的研究方法,并为
浮游藻类在线检测提供更好的方法与技术手段。
2 实验部分
2.1 藻种样品集
实验数据为实验室培养的 5 种门类藻的纯种与混合样品的离散三维荧光数据,如表 1 所示。
图 1(a)~(e)为 5 种门类的纯种藻的离散三维数据荧光光谱图,图 1(f)~(j)为随机 5 种门类混合
藻的离散三维数据荧光光谱图。可以看出,部分纯种藻种的荧光特征区别明显,而混合藻的
荧光特征由于谱线相互重叠覆盖进而难以区分,这为多组分混合藻样的识别区分带来了困
难。CNN 是机器学习中利用样品数据进行特征分析,并对分析目标能有效进行快速识别的
一类计算机分析方法。结合离散三维数据的格式特征,选用几种基于 CNN 的模型对藻类离
散数据的结果进行评价。
表 1. 实验藻种
Table 1. Experimental algae
Phylum
Alga
Cyanophyta
Microcystis aeruginosa
Chlorophyta
Scenedesmus obliquus
Bacillariophyta
Nitzschia sp.
Pyrroptata
Peridinium umbonatum var.inaequale
Cryptophyta
Cryptomonas obovata.
查看所有表
剩余14页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3542
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功