本发明涉及人工智能技术领域，尤其涉及一种用于重金属含量预测的 PSO-BP神经网络模型的训练方法、存储介质及终端设备
背景技术：
土壤是有限的重要自然资源，而环境中重金属污染物具有循环和极难 降解的特点，尤其是存在于土壤中的重金属兼具富集性，最终造成现存的 或潜在的土壤质量退化、生态环境恶化等现象，并能够通过食物链到达人 体，直接危害人体健康。比如，华南地区是中国最重要的矿带之一，目前 众多的矿产资源主要分布在珠江三角洲水系的上游或支流及重要农副产品 的山区。矿产资源的大规模开发，会对土壤造成严重的重金属污染。据调 查统计，近年来华南地区部分城市有50％的农田遭受镉、砷、汞有毒重金 属和石油类污染，引起了土壤退化、水体污染和植被受损等一系列环境问 题，甚至威胁到人类的生命安全，而反过来又会制约社会经济的发展。然 而，目前土壤重金属污染监测方法是从野外采集样品，然后进行室内化学 分析。虽然这种传统的化学分析方法能够保证准确性和精确性，但大面积 监测时，消耗的工作量大，成本高，无法保证时效性，不利于矿区土壤重 金属污染的动态监测。进而寻找一种能够对于矿区土壤重金属污染进行大 范围、快速、经济、实时动态监测的技术迫在眉睫。其中，利用高光谱遥 感技术实现对土壤重金属含量的定量估算将成为当前矿区环境保护工作中 急迫任务的主要环节之一。
近年来许多学者在土壤重金属高光谱遥感监测方面的研究取得了较大 的进展；但是现有的对BP神经网络模型训练的方法得到的收敛BP神经网 络模型在对重金属含量的预测方面的预测进度还是存在一定的偏差，需要 进一步解决该预测存在的偏差问题。
技术实现要素：
本发明的目的在于克服现有技术的不足，本发明提供了一种用于重金 属含量预测的PSO-BP神经网络模型的训练方法、存储介质及终端设备，通 过该方法训练的PSO-BP神经网络模型的预测精度大幅提升，解决原有模型 预测精度低等技术问题。
为了解决上述技术问题，本发明实施例提供了一种用于重金属含量预 测的PSO-BP神经网络模型的训练方法，所述方法包括：
对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属含量 数据；
对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱反射 率曲线；
根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的光谱 反射率曲线进行特征波段选取处理，获得样本土壤的特征波段；
构建PSO-BP神经网络模型；
采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进 行训练学习，直至所述PSO-BP神经网络模型收敛。
可选的，所述对样本土壤进行重金属含量的测定处理，获得样本土壤 的重金属含量数据，包括：
称取样本土壤0.2g，采用盐酸-硝酸-氢氟酸对0.2g样本土壤进行溶解， 在溶解后蒸至干燥形成干燥固体；
采用5％的盐酸对所述干燥固体进行加热溶解，溶解之后领用纯水定容 至20ml；
基于火焰原子吸收光谱法检测样本土壤中的重金属镉元素的含量，基 于原子荧光光谱法检测样本土壤中的重金属汞元素和砷元素的含量，获得 样本土壤的重金属含量数据；
所述样本土壤的重金属含量数据包括样本土壤的重金属镉元素含量数 据、样本土壤的重金属汞元素含量数据和样本土壤的重金属砷元素含量数 据。
可选的，所述对样本土壤进行光谱反射率处理，获得处理后的样本土 壤的光谱反射率曲线，包括：
对样本土壤进行光谱反射率进行测定，获取样本土壤的原始光谱反射 率的曲线；
基于Savitzky-Golay平滑算法对原始光谱反射率的曲线进行平滑处理， 获取平滑后的光谱反射率曲线；
对所述平滑后的光谱反射率曲线中的光谱进行光谱变换处理，获得处 理后的样本土壤的光谱反射率曲线；
其中光谱变换处理分别包括：连续统去除处理、一阶微分处理、二阶 微分处理、倒数变换处理和倒数对数处理；
所述处理后的样本土壤的光谱反射率曲线包括：光谱反射率连续统去 除曲线、光谱反射率一阶微分曲线、光谱反射率二阶微分曲线、光谱反射 率倒数变换曲线和光谱反射率倒数对数曲线。
可选的，所述根据所述样本土壤的重金属含量数据和所述处理后的样 本土壤的光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波 段，包括：
基于Pearson相关系数分析所述处理后的样本土壤的光谱反射率曲线 与所述样本土壤的重金属含量数据之间的相关性，获取相关系数；
基于所述相关系数筛选出显著性水平大于预设值的所述处理后的样本 土壤的光谱反射率曲线的波段，作为样本土壤的特征波段；
其中，基于Pearson相关系数分析所述处理后的样本土壤的光谱反射率 曲线与所述样本土壤的重金属含量数据之间的相关性的公式如下：
其中，rd表示所述处理后的样本土壤的光谱反射率曲线与所述样本土壤 的重金属含量数据之间的相关系数；xcd表示第c样本土壤的第d个波段的 光谱反射率；表示第d个波段中所有样本土壤的光谱反射率的平均值， c＝1,2,3,…,h；yc表示第c个样本土壤重金属含量值，表示样本土壤重金 属含量的平均值。
可选的，所述构建PSO-BP神经网络模型，包括：
构建BP神经网络模型；
基于粒子群算法的全局搜索能力优化构建好的BP神经网络模型的结 构和连接权重，获取PSO-BP神经网络模型。
可选的，所述构建BP神经网络模型的隐含层的输出函数为：
所述构建BP神经网络模型的输出层的输出函数为：
其中，所述构建BP神经网络模型的隐含层的激活函数为Sigmoid函数；
其中，Hj为第j个隐含层节点的值，n表示输入层的节点数， i＝1,2,3,…,n；l表示隐含层节点数，j＝1,2,3,…,l，Xi表示输入层中第i节 点输入的特征波段；aj表示输入层和隐含层间中第j个隐含层节点的阈值， wij表示输入层中第i个节点和隐含层间中第j个隐含层节点的链接权重；Ok表示输出层输出的第k个预测值，其中，k＝1,2,3,…,m；wjk表示输出层中 第k个节点和隐含层间中第j个隐含层节点的链接权重；bk表示隐含层和输出 层第k个输出预测值之间的阈值。
可选的，所述采用所述样本土壤的特征波段输入构建好的PSO-BP神经 网络模型进行训练学习，直至所述PSO-BP神经网络模型收敛，包括：
将所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行 训练学习，输出预测值；
判断所述预测值与所述实测值之间的绝对误差值是否大于预设阈值， 若否，则所述PSO-BP神经网络模型收敛；
若是，基于反向算法对所述PSO-BP神经网络模型的进行权重更新，并 采用所述样本土壤的特征波段进行重新训练。
可选的，所述将所述样本土壤的特征波段输入构建好的PSO-BP神经网 络模型进行训练学习，包括：
将所述样本土壤的特征波段入构建好的PSO-BP神经网络模型进行训 练学习时，所述样本土壤的特征波段每个波段光谱值的极值和所有光谱值 的极值更新自身的速度和位置，其中更新公式如下：
其中，w为惯量权重；e表示样本土壤特征波段，e＝1,2,3,…，e为大 于0的整数；i＝1,2,3,…,n，n表示输入层的节点数；k为当前迭代次数； Vie表示第i节点和第e个样本土壤特征波段的光谱段因子的速度；t1和t2表示 非负的常数，称为加速度因子；r1和r2表示分布于[0，1]之间的随机数； Pbentie表示第i节点和第e个样本土壤特征波段的光谱极值；Gbent表示所有 光谱值的极值。
另外，本发明实施还提供了一种计算机可读存储介质，其上存储有计 算机程序，该程序被处理器执行时实现上述中任意一项所述的PSO-BP神经 网络模型训练方法。
另外，本发明实施例还提供了一种终端设备，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存 储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配 置用于：执行上述中任意一项所述的PSO-BP神经网络模型训练方法。
在本发明实施例中，通过对样本土壤进行重金属含量的测定处理，获 得样本土壤的重金属含量数据；对样本土壤进行光谱反射率处理，获得处 理后的样本土壤的光谱反射率曲线；构建PSO-BP神经网络模型并训练。通 过对PSO-BP神经网络模型的训练，使得PSO-BP神经网络模型在土壤的重 金属含量的预测上具有更有效的预测数值和准确度，可以更好的对土壤中 的重金属含量的预测处理，方便研究人员快速掌握土壤中的重金属含量， 快速给出处理方案，降低重金属的危害程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的， 下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附 图。
图1是本发明实施例中的样本土壤采集点分布图；
图2是本发明实施例中的用于重金属含量预测的PSO-BP神经网络模型 的训练方法的流程示意图；
图3是本发明实施例中的终端设备的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进 行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没 有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的 范围。
请参阅图1，图1是本发明实施例中的样本土壤采集点分布图。
如图1所示，样本土壤采集点分布在广东境内，广东省地处我国华南 地区，全境位于20°13′—25°31′N和109°39′—117°19′E之间，全省总 面积17.97万km2，北部地区多为山地丘陵，海拔相对较高，南部临海地区 海拔相对较低，地势相对较平坦。广东省属于亚热带季风气候，全省平均 日照时数为1745.8h、年平均气温22.3℃，年平均降水量在1300—2500mm 之间，是中国光、热和水资源最丰富的地区之一。广东省自改革开放以来 经济发展迅速、城镇化水平极高，是我国经济发展和城市化发展大省，伴 随着经济的发展，工业化水平也在不断提高，已成为国内土壤重金属污染 较为严重的省份之一。
在广东省境内通过GPS精确定位采集，采集深度为0-20cm的土壤，共 采集75份，每份重约300g；将分别采集到的75份土壤进行自然风干后， 去除砂砾及动植物残体之后，进行碾磨并通过0.2mm筛网过滤之后将作为 样本土壤，然后将样本土壤分作两份，分别用于后续的样本土壤的重金属 含量的量测定和土壤光谱反射率测定等工作。
实施例：
请参阅图2，图2是本发明实施例中的用于重金属含量预测的PSO-BP 神经网络模型的训练方法的流程示意图。
如图2所示，一种用于重金属含量预测的PSO-BP神经网络模型训练方 法，所述方法包括：
S11：对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属 含量数据；
在本发明实施过程中，所述对样本土壤进行重金属含量的测定处理， 获得样本土壤的重金属含量数据，包括：称取样本土壤0.2g，采用盐酸-硝 酸-氢氟酸对0.2g样本土壤进行溶解，在溶解后蒸至干燥形成干燥固体；采 用5％的盐酸对所述干燥固体进行加热溶解，溶解之后领用纯水定容至20ml； 基于火焰原子吸收光谱法检测样本土壤中的重金属镉元素的含量，基于原 子荧光光谱法检测样本土壤中的重金属汞元素和砷元素的含量，获得样本 土壤的重金属含量数据；所述样本土壤的重金属含量数据包括样本土壤的 重金属镉元素含量数据、样本土壤的重金属汞元素含量数据和样本土壤的 重金属砷元素含量数据。
具体的，在对样本土壤的重金属含量测定中，首先是称取样本土壤0.2g， 然后在0.2g样本土壤中加入盐酸-硝酸-氢氟酸进行溶解，在溶解之后，蒸 干至干燥形成干燥的固体；再用5％的盐酸加热溶解，在溶解之后，再利用 高纯度水定容至20ml；最后基于火焰原子吸收光谱法检测样本土壤中的重 金属镉元素的含量，基于原子荧光光谱法检测样本土壤中的重金属汞元素 和砷元素的含量，从而获得样本土壤中的重金属镉、汞和砷等元素的含量； 通过上述方法，获得75个样本土壤中重金属的最终含量情况，具体如表1 所示，从重金属的含量看，Cd的均值为0.174，是广东省Cd含量背景值的 5.1倍；Hg的均值为0.132，是广东省Hg含量背景值的1.69倍；As的最大 值为41.50，最小值为1.37，均值为9.761。说明研究区受重金属Cd的污染 较为严重，受Hg、As元素轻度污染。而土样的镉、汞、砷含量变异系数 为63.79％、64.44％、76.70％，三种元素都属中等变异，说明这三种元素在 土壤中分布不均匀，空间异质性较为明显。
表1土壤重金属镉、汞、砷含量的统计特征
为了后续对模型训练和验证，将75个样本土壤中以含汞量从大致小进 行排序，每隔三个样本去一个作为验证样本土壤，共25个，其余的50个 作为训练样本土壤。
S12：对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱 反射率曲线；
在具体实施过程中，所述对样本土壤进行光谱反射率处理，获得处理 后的样本土壤的光谱反射率曲线，包括：对样本土壤进行光谱反射率进行 测定，获取样本土壤的原始光谱反射率的曲线；基于Savitzky-Golay平滑算 法对原始光谱反射率的曲线进行平滑处理，获取平滑后的光谱反射率曲线； 对所述平滑后的光谱反射率曲线中的光谱进行光谱变换处理，获得处理后 的样本土壤的光谱反射率曲线；其中光谱变换处理分别包括：连续统去除 处理、一阶微分处理、二阶微分处理、倒数变换处理和倒数对数处理；所 述处理后的样本土壤的光谱反射率曲线包括：光谱反射率连续统去除曲线、 光谱反射率一阶微分曲线、光谱反射率二阶微分曲线、光谱反射率倒数变 换曲线和光谱反射率倒数对数曲线。
具体的，对样本土壤采用的是荷兰Avantes公司生产的AvaField便携式 光谱仪对样本土壤进行光谱测定，波段范围为340.316-2511.179nm，光谱采 样间隔为0.6nm，输出1569个波段；整个光谱测定环境在一个黑箱中进行， 将处理好的样本土壤放在直径为10cm、深度大于5cm的黑色纸杯中，表面 均匀、光滑、平坦；测定光源为50W的卤素灯，光谱仪探头视场角为10°， 垂直接触于样本土壤进行土壤反射光谱测定，并在采集前利用白板进行定 标，获取绝对反射率；测定时，为了消除测量的不稳定性，对每个样本土 壤按不同位置测定3次，每个位置采集5条光谱曲线，这样每个样本土壤 共采集15条光谱曲线，利用AvaReader软件剔除异常曲线后取算数平均值 作为该土壤样品的原始发射率数据。
由于光谱仪采集、获取以及传输光谱信号的过程中，会产生许多“毛刺” 噪声，为了得到平稳变化的光谱以及消除噪声可能引起的误差；因此，基 于Savitzky-Golay平滑算法对原始光谱反射率的曲线进行平滑处理；在平滑 处理之后，为了突出光谱反射率曲线特征值，需要对光谱反射率进行光谱 变换；其中光谱变换处理分别包括：连续统去除处理、一阶微分处理、二 阶微分处理、倒数变换处理和倒数对数处理；所述处理后的样本土壤的光 谱反射率曲线包括：光谱反射率连续统去除曲线、光谱反射率一阶微分曲 线、光谱反射率二阶微分曲线、光谱反射率倒数变换曲线和光谱反射率倒 数对数曲线。
S13：根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的 光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波段；
在本发明具体实施过程中，所述根据所述样本土壤的重金属含量数据 和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理，获得 样本土壤的特征波段，包括：基于Pearson相关系数分析所述处理后的样本 土壤的光谱反射率曲线与所述样本土壤的重金属含量数据之间的相关性， 获取相关系数；基于所述相关系数筛选出显著性水平大于预设值的所述处 理后的样本土壤的光谱反射率曲线的波段，作为样本土壤的特征波段；其 中，基于Pearson相关系数分析所述处理后的样本土壤的光谱反射率曲线与 所述样本土壤的重金属含量数据之间的相关性的公式如下：
其中，rd表示所述处理后的样本土壤的光谱反射率曲线与所述样本土壤 的重金属含量数据之间的相关系数；xcd表示第c样本土壤的第d个波段的 光谱反射率；表示第d个波段中所有样本土壤的光谱反射率的平均值， c＝1,2,3,…,h；yc表示第c个样本土壤重金属含量值，表示样本土壤重金 属含量的平均值。
具体的，需要对重金属含量与土壤光谱反射率进行相关性分析，在本 发明实施例中，将光谱平滑反射率(R)、反射率一阶微分(FDR)、反射率 二阶微分(SDR)、反射率倒数对数(lg(1/R))、反射率倒数(1/R)、反射 率对数(lg(R))、反射率连续统去除(CR)七种光谱指标分别与样本土壤 重金属镉、汞、砷三种元素做Pearson相关性分析，筛选出相关系数最大的 光谱特征波段；其中，基于Pearson相关系数分析所述处理后的样本土壤的 光谱反射率曲线与所述样本土壤的重金属含量数据之间的相关性的公式如 下：
其中，rd表示所述处理后的样本土壤的光谱反射率曲线与所述样本土壤 的重金属含量数据之间的相关系数；xcd表示第c样本土壤的第d个波段的 光谱反射率；表示第d个波段中所有样本土壤的光谱反射率的平均值， c＝1,2,3,…,h；yc表示第c个样本土壤重金属含量值，表示样本土壤重金 属含量的平均值。
在上述相关性分析的基础上，以各光谱特征波段值为自变量，土壤重 金属为因变量，通过多元逐步回归分析法和方差膨胀因子检验法筛选出对 因变量有显著影响的最佳自变量组合；多元逐步回归分析法采用逐步线性 回归剔除自变量中与重金属含量不显著相关的变量，保留与重金属含量显 著的变量，而方差膨胀因子(VIF)检验法是逐步回归分析后判断入选波段 间是否存在共线性问题；当0<VIF<10时，不存在多重共线性；当10≤VIF<100, 存在较强的多重共线性；当VIF≥100时，存在严重的多重共线性。
在变换后的样本土壤光谱值与样本土壤重金属含量进行相关性分析， 得到每种光谱变换形式与对应三种重金属元素之间的相关系数变化，以及 筛选出最大相关系数及其对应的光谱特征波段。
通过相关性分析筛选出各种数学变换的最大相关系数(+、-)及其对 应的特征波段，如表2所示，从表中可以看出，绝大部分变量的最大相关 系数都达到了显著相关水平，然而还存在着相关系数不高，显著性不强的 特点，因此对特征波段进行组合，再次进行相关分析，整体相关系数得到 了提高，都达到极显著相关水平，其中反射率一阶微分的波段组合相关系 数高达0.60。
表2不同光谱变换形式的波段组合与土壤重金属相关系数的最值及对 应波段
为了消除光谱变量之间存在多重共线性的问题，本发明实施例的土壤 重金属含量为因变量、6个光谱波段组合作为自变量进行多元逐步回归分析， 最终筛选出光谱变量的最佳组合；设置的标准为回归结果的调节R2最大以 及光谱变量组合后的偏F检验是显著的，自变量间的方差膨胀因子小于10， 结果如表3所示。
表3利用光谱变量对华南地区土壤重金属进行逐步线性回归的结果
由表3可知，FD965.768*FD795.231、AT363.425*AT2492.442为构建Cd元素估算 模型的最佳光谱指标；FD1373.48+7*FD430.21，AT2222.424-AT1212.22，为构建Hg 元素估算模型的最佳光谱指标变量；FD2342.058/FD966.869，RT343.281/RT343.874和6*SD363.425-5*SD340.316为构建As元素估算模型的最佳光谱指标变量。
S14：构建PSO-BP神经网络模型；
在本发明具体实施过程中，所述构建PSO-BP神经网络模型，包括：
构建BP神经网络模型；基于粒子群算法的全局搜索能力优化构建好的BP神经网络模型的结构和连接权重，获取PSO-BP神经网络模型。
进一步的，所述构建BP神经网络模型的隐含层的输出函数为：
所述构建BP神经网络模型的输出层的输出函数为：
其中，所述构建BP神经网络模型的隐含层的激活函数为Sigmoid函数； 其中，Hj为第j个隐含层节点的值，n表示输入层的节点数，i＝1,2,3,…,n；l表 示隐含层节点数，j＝1,2,3,…,l，Xi表示输入层中第i节点输入的特征波段； aj表示输入层和隐含层间中第j个隐含层节点的阈值，wij表示输入层中第i 个节点和隐含层间中第j个隐含层节点的链接权重；Ok表示输出层输出的第 k个预测值，其中，k＝1,2,3,…,m；wjk表示输出层中第k个节点和隐含层 间中第j个隐含层节点的链接权重；bk表示隐含层和输出层第k个输出预测值 之间的阈值。
具体的，构建的BP神经网络模型中拥有输入层、多个隐藏层和一个输 出层，其中隐含层属于复杂的抽象系统,采用神经网络结构进行模拟推理， 主要是通过实验数据的训练获取具有物理意义的网络参数，而这些网络参 数及权重和阈值将在BP神经网络模型中用于估测重金属含量；在本发明实 施例中，由于光谱吸收波段是影响土壤重金属行为的主要因子，因此采用 与重金属含量相关性显著的光谱波段作为模型的输入变量，重金属含量作 为输出变量。BP神经网络在训练实验数据时主要分为两个过程：正向传播 过程和误差反向传播过程。
在正向传播过程，构建BP神经网络模型的隐含层的输出函数为：
所述构建BP神经网络模型的输出层的输出函数为：
其中，所述构建BP神经网络模型的隐含层的激活函数为Sigmoid函数；
其中，Hj为第j个隐含层节点的值，n表示输入层的节点数， i＝1,2,3,…,n；l表示隐含层节点数，j＝1,2,3,…,l，Xi表示输入层中第i节 点输入的特征波段；aj表示输入层和隐含层间中第j个隐含层节点的阈值， wij表示输入层中第i个节点和隐含层间中第j个隐含层节点的链接权重；Ok表示输出层输出的第k个预测值，其中，k＝1,2,3,…,m；wjk表示输出层中 第k个节点和隐含层间中第j个隐含层节点的链接权重；bk表示隐含层和输出 层第k个输出预测值之间的阈值。
在误差反向传播过程利用网络的实际输出O和土壤重金属实测值Y求 解网络预测误差e,即：
其中，k＝1,2,3,…,m，Ok表示输出层输出的第k个预测值；Yk表示第k 个重金属的实测值，ek表示第k个误差值。
当误差值大于预设阈值，利用梯度下降法，将输出误差从输出层经到 中间各层，一直回到输入层，得到各层的误差信号，然后根据它们来修正 网络的权重和阈值，直到网络的误差最小。
具体的，基于粒子群算法(PSO)的全局搜索能力优化构建好的BP神 经网络模型的结构和连接权重；粒子群算法优化BP神经网络法的核心是利 用粒子群算法的全局搜索能力优化BP神经网络的结构和连接权重；通过选 择输入变量(光谱波段因子)到隐含层及隐含层到输出变量(重金属含量) 之间的随机权重来创建一组神经网络，每个神经网络被称为粒子(也称为 候选点)，每个粒子都能够保持其速度和位置；有关每个粒子状态的信息将 在网络中共享。在搜索空间中，所有粒子飞向已知的最佳解，其中每个粒 子与其他粒子进行协同搜索，以便每个粒子识别最佳解得位置。
S15：采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模 型进行训练学习，直至所述PSO-BP神经网络模型收敛。
在本发明具体实施过程中，所述采用所述样本土壤的特征波段输入构 建好的PSO-BP神经网络模型进行训练学习，直至所述PSO-BP神经网络模 型收敛，包括：将所述样本土壤的特征波段输入构建好的PSO-BP神经网络 模型进行训练学习，输出预测值；判断所述预测值与所述实测值之间的绝 对误差值是否大于预设阈值，若否，则所述PSO-BP神经网络模型收敛；若 是，基于反向算法对所述PSO-BP神经网络模型的进行权重更新，并采用所 述样本土壤的特征波段进行重新训练。
所述将所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型 进行训练学习，包括：将所述样本土壤的特征波段入构建好的PSO-BP神经 网络模型进行训练学习时，所述样本土壤的特征波段每个波段光谱值的极 值和所有光谱值的极值更新自身的速度和位置，其中更新公式如下：
其中，w为惯量权重；e表示样本土壤特征波段，e＝1,2,3,…，e为大 于0的整数；i＝1,2,3,…,n，n表示输入层的节点数；k为当前迭代次数； Vie表示第i节点和第e个样本土壤特征波段的光谱段因子的速度；t1和t2表示 非负的常数，称为加速度因子；r1和r2表示分布于[0，1]之间的随机数； Pbentie表示第i节点和第e个样本土壤特征波段的光谱极值；Gbent表示所有 光谱值的极值。
在本发明实施例中，通过对样本土壤进行重金属含量的测定处理，获 得样本土壤的重金属含量数据；对样本土壤进行光谱反射率处理，获得处 理后的样本土壤的光谱反射率曲线；构建PSO-BP神经网络模型并训练。通 过对PSO-BP神经网络模型的训练，使得PSO-BP神经网络模型在土壤的重 金属含量的预测上具有更有效的预测数值和准确度，可以更好的对土壤中 的重金属含量的预测处理，方便研究人员快速掌握土壤中的重金属含量， 快速给出处理方案，降低重金属的危害程度。
实施例：
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储 介质上存储有计算机程序，该程序被处理器执行时实现任一项技术方案所 述的PSO-BP神经网络模型训练方法。其中，所述计算机可读存储介质包括 但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、 ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory， 随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦 写可编程只读存储器)、EEPROM(Electrically
EraSableProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪 存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、 手机)以能够读的形式存储或传输消息的任何介质，可以是只读存储器， 磁盘或光盘等。
请参阅图3，图3是本发明实施例中的终端设备的结构组成示意图。
如图3所示，一种终端设备，应用程序701、处理器702、存储器703、 输入单元704以及显示单元705等器件。图3所示的结构器件并不构成对 所有终端设备的限定，可以比图3更多或更少部件，或组合某些部件。
存储器703可用于存储应用程序701以及各功能模块，处理器702运 行存储在存储器703的应用程序701，从而执行设备的各种功能应用以及数 据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储 器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电 可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或 者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本 发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存 储器只作为例子而非作为限定。
输入单元704用于接收信号的输入，以及接收用户输入的关键字。输 入单元704可包括触控面板以及其它输入设备。触控面板可收集用户在其 上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件 在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应 的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播 放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显 示单元705可用于显示用户输入的信息或提供给用户的信息以及终端设备 的各种菜单。显示单元705可采用液晶显示器、有机发光二极管等形式。 处理器702是终端设备的控制中心，利用各种接口和线路连接整个设备的 各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以 及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括：一个或多个处理器702，存储 器703，一个或多个应用程序701，其中所述一个或多个应用程序701被存 储在存储器703中并被配置为由所述一个或多个处理器702执行，所述一 个或多个应用程序701配置用于执行上述实施例中的PSO-BP神经网络模型 训练方法。
本发明实施例提供的终端设备可实现上述提供的PSO-BP神经网络模 型训练方法的实施例，具体功能实现请参详方法实施例中的说明，在此不 再赘述。
在本发明实施例中，通过对样本土壤进行重金属含量的测定处理，获 得样本土壤的重金属含量数据；对样本土壤进行光谱反射率处理，获得处 理后的样本土壤的光谱反射率曲线；构建PSO-BP神经网络模型并训练。通 过对PSO-BP神经网络模型的训练，使得PSO-BP神经网络模型在土壤的重 金属含量的预测上具有更有效的预测数值和准确度，可以更好的对土壤中 的重金属含量的预测处理，方便研究人员快速掌握土壤中的重金属含量， 快速给出处理方案，降低重金属的危害程度。
另外，以上对本发明实施例所提供的PSO-BP神经网络模型的训练方法、 存储介质及终端进行了详细介绍，本文中应采用了具体个例对本发明的原 理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的 方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思 想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书 内容不应理解为对本发明的限制。