基于迁移学习的FDR土壤水分传感器自动标定模型研究

摘要

cqvip:针对频域反射技术(FDR)传感器人工标定数据拟合误差大的问题,引入其他地区数据作为辅助数据,建立了基于迁移学习的自动标定模型。该模型将FDR目标使用地点采集的数据作为源域数据,结合辅助数据与少量源域数据,使用TrAdaBoost算法即可得到准确的FDR传感器标定模型。将面向分类问题的TrAdaBoost算法改进为适用于本文面向回归的TrAdaBoost算法,将TrAdaBoost算法的基学习器由AdaBoost改为XGBoost,改进了更新权重误差率的计算方法。首先使用XGBoost对辅助数据进行训练,得到初始标定模型;然后在目标地点采集少量数据,使用改进后的TrAdaBoost算法对初始标定模型进行校准,即可得到准确的FDR标定模型。将10个不同地区站点数据作为辅助数据,训练得到初始标定模型,将沈阳地区6个站点分别作为目标使用地点,取80%数据作为源域数据,进行模型校正,其余20%数据用于测试。测试结果的平均准确率为99.1%,说明基于迁移学习的自动标定模型是有效和准确的。