基于ELM和可见／近红外光谱的鲜枣动态分类检测

摘要：

枣营养丰富且品种繁多，不同品种的内外部品质与市场价格均存在差异，为了实现鲜枣品种分类的快速无损检测，以产自同一地区的板枣、鸡心枣和相枣为研究对象，动态采集光谱数据。采用移动平滑（moving smoothing）与多元散射校正（multiplicative scatter correction ，MSC）相结合的方法预处理光谱数据，对预处理后的光谱数据采用连续投影算法（successive projections algorithm ，SPA）提取出11个特征波长分别为：980，1860，1341，1386，2096，1831，1910，1628，441，768，601 nm ，其重要程度依次递减。以所提取的特征波长作为输入变量，建立极限学习机（extreme learning machine ，ELM ）分类模型，进行预测判别，并与偏最小二乘判别分析（partial least squares discriminant analysis ，PLS‐DA ）和最小二乘支持向量机（least squares support vector machines ，LS‐SVM ）方法进行比较。结果表明：SPA‐ELM方法所建校正模型的决定系数 R2＝0.97238，校正均方根误差RMESC＝0.018724，SPA‐ELM方法与SPA‐PLS‐DA和SPA‐LS‐SVM 方法判别准确率均为100％，说明ELM是一种有效的分类判别方法。该研究为鲜枣品种分类检测提供了新的理论基础。

关键词：鲜枣、分类检测、连续投影算法、极限学习机

分类号：S123;S665(农业物理学)

资助基金：国家自然科学基金项目31271973;山西省自然科学基金项目2012011030-3

在线出版日期：2015-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1870-1874