10.3964/j.issn.1000-0593(2016)12-3920-06
近红外光谱建模样本选择方法研究
针对小麦品种多分类问题,使用近红外光谱进行定性分析。建模样本增加能够使模型包含信息增多,但同时也会导致信息冗余,增加建模时间和存储空间,所以需要通过样本选择降低数据量。如果盲目选择必然会使信息丢失,模型效果将大打折扣,因此,在传统选择方法基础上,提出k近邻-密度样本选择方法。使用多天采集的小麦种子近红外漫反射光谱,在对其原始光谱进行预处理和特征提取后,分别使用随机抽样、k近邻和k 近邻-密度三种方法进行建模样本选择,然后建立仿生模式识别模型和改进的仿生模式识别模型。实验结果显示,在建立的仿生模式识别模型中,使用k近邻-密度样本选择方法的模型识别效果优于另两种方法,且建模样本量大大降低;而在改进的仿生模式识别模型中,使用k近邻-密度样本选择方法识别效果明显优于随机抽样,略好于k近邻方法,但使用k近邻-密度方法所选择的样本数量远少于k近邻方法。结果证明k近邻-密度样本选择方法不仅能够大大降低建模样本量,而且保证了模型质量,对解决小麦品种多分类问题有明显效果。
小麦、近红外光谱、定性分析、样本选择
36
O657.33(分析化学)
国家重大科学仪器设备开发专项光栅型近红外分析仪及其共用模型开发和应用项目2014YQ470377;大北农青年学者研究计划项目1081-2413001;国家科技支撑计划项目2014BAD23B00;中央高校基本科研业务费专项资金项目2015XD001
2017-03-02(万方平台首次上网日期,不代表论文的发表时间)
共6页
3920-3925