课题类别：广州华商学院校内导师制项目
课题名称：现代技术在精准农业中的应用
课题批准号：2021HSDS14
经费资助：12万元
项目负责人：洪绍勇
成果名称：
1.立项课题：基于数据驱动的应用型民办本科院校人才培养模式研究（2022GXJK378）（级别：省部级）
2.发表论文：Rapid Assessment of Gasoline Quality by near-Infrared (NIR) Deep Learning Model Combined with Fractional Derivative Pretreatment（Analytical Letters，SCI收录 JCR3区，A类）
成果简介：
1. 课题：基于数据驱动的应用型民办本科院校人才培养模式研究（2022GXJK378）
课题来源：广东省教育科学规划领导小组办公室
级别：省部级
2.论文：Rapid Assessment of Gasoline Quality by near-Infrared (NIR) Deep Learning Model Combined with Fractional Derivative Pretreatment
主要观点：
汽油辛烷值是衡量汽油在气缸内抗爆燃烧能力的数值指标，传统的测量辛烷值的方法繁琐复杂且耗时长。近红外光谱技术作为一种快速无损的检测技术，已广泛的用于环境科学、农业、食品科学等方面。汽油的近红外光谱包含有各种噪音，数据预处理是降低噪声贺提取特征以提高NIR准确度的重要环节。导数被用于提取了原始数据中的隐藏信息，一阶导数贺二阶导数能够减少基线漂移和坡度旋转的影响，然而由于官能团的相互作用，汽油的光谱特征是多样的，因此，难以提取对辛烷值有贡献的目标的准确响应，一次需要对整数阶导数的预处理方法进行改进。分数阶导数是从微分的整数阶推广而来，FD预处理方法用于光谱分析，应通过细化波长间隔贺方法微弱的信号来细化光谱。通过研究FD预处理和PLS建模的组合优化机制，对特征提取进行自动调整和自适应优化，以提高精度。
学术价值：
本文通过建立FD-PLS深度学习架构，本文描述了一种FD-PLS混合深度学习体系结构，用于评估汽油质量以最小化燃烧副产物的NIR校准模型的组合优化。与整数阶导数的预处理方法相比，FD预处理具有更高的精度，这种方法可以推广到其它类似的光谱数据分析中。
创新点：
本研究构建了分数阶导数（FD）和偏最小二乘法（PLS）相结合的混合优化深度学习算法架构。FD-PLS方法的设计是指数据预处理和标定建模的联合优化。FD阶次在0.1至2.0之间可调，以寻找最佳的预处理。通过筛选模型的最佳参数组合来建立和训练校准模型。实验结果表明，FD-PLS深度学习对标定模型的改进最大，导数阶数为1.3，潜在变量为7个。最优模型的性能优于使用整数导数阶。
