Resumen

El pino Masson está ampliamente plantado en el sur de China, y el contenido de humedad de las hojas de las plántulas de pino es un índice importante para evaluar el vigor de las plántulas. Para predecir con precisión el contenido de humedad de las hojas, se aplica en el experimento el análisis de espectroscopia de infrarrojo cercano, que es una herramienta de predicción del contenido de material rentable, de alta velocidad y no invasiva. Para mejorar aún más la precisión del análisis espectroscópico, en este estudio se propone un nuevo modelo de análisis que integra un autocodificador apilado para extraer características jerárquicas relacionadas con la salida capa por capa y un modelo de regresión de vectores de soporte para aprovechar estas características para predecir con precisión el contenido de humedad. En comparación con los métodos tradicionales de análisis espectroscópico, como la regresión de mínimos cuadrados parciales y la regresión básica de vectores de soporte, el modelo propuesto muestra una gran superioridad en la predicción del contenido de humedad de las hojas, con un valor R2 de 0,9946 y un error cuadrático medio (RMSE) de 0,1636 en el conjunto de calibración y un valor R2 de 0,9621 y un RMSE de 0,4249 en el conjunto de predicción.

• Materias:Ingeniería electrónica Redes Inalámbricas Modelo computacional Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Computational Model Signal processing computer-assisted Data processing
• Palabras claves:valor r2, regresión básica de vectores de apoyo, predicción del contenido de humedad de las hojas, herramienta no invasiva de predicción del contenido de material, regresión de mínimos cuadrados parciales, modelo de regresión de vectores de apoyo, método tradicional de análisis por espectroscopia, análisis por espectroscopia infrarroja, contenido de humedad de las hojas, error cuadrático medio.
• Keywords:r2 value, basic support vector regression, leaf moisture content prediction, noninvasive material content prediction tool, partial least squares regression, support vector regression model, traditional spectroscopy analysis method, infrared spectroscopy analysis, leaf moisture content, mean squared error