优化算法在农作物高光谱检测模型中的应用

张黎黎

为探究水稻纹枯病检测方法，指导水稻变量施药并提升水稻品质，研究学者利用极限学习机（ELM）建立无人机高光谱水稻纹枯病诊断模型，并利用粒子群优化算法（Particle Swarm Optimization，PSO）对模型进行优化。PSO是一种仿生优化算法，该算法的核心思想是通过模拟鸟类群体的觅食行为形成的，采用PSO算法寻找ELM中权重和阈值的全局最优值，优化选择ELM的隐含层偏差和输入层权重，从而计算出输出权重矩阵。该研究表明，经PSO优化后的模型，在提升ELM运行速度的前提下精度提高约15%。PSO算法具体优化过程如下。

（1）参数初始化。设置粒子群的最大迭代次数K，种群规模M，学习因子，权重因子ω，粒子维数D。

2 天牛須优化算法在农作物氮素含量反演中的应用

天牛须优化算法（Beetle Antennae Search Algorithm，BASA）是一种高效智能的优化算法，该算法是通过模仿天牛和甲虫觅食原理而形成的。算法具有运算量小、运算速度快、寻优能力强等特点。为获取水稻植株的氮素含量情况，指导农户进行合理的追肥。有研究利用ELM构建了高光谱水稻氮素含量检测模型。并利用BAS对该模型进行了优化。研究以筛选后的特征波段作为反演模型的自变量输入量，该算法的具体优化流程如下。

（1）参数初始化。设定ELM的隐含层神经元数量，根据神经元的个数和输入量的维度确定自变量维度，初始化天牛须算法的起始步长step、步长更改系数eta、迭代次数以及维参数自变量。

（2）计算方向向量。根据正态分布的方式，得到在每次迭代过程中的一维自变量变化的方向向量，记为dire。