基于特征分层选择和融合度相结合的近红外光谱多类识别度量算法研究

摘要：

针对高维空间下获取最优特征子集异常复杂和模型识别准确率较低的问题,提出了基于特征分层选择和融合度相结合的近红外光谱多类识别度量算法. 首先引入跳跃度,构造了一种特征分层方法,将所有特征依据对样本的重要性程度划分不同的特征子集,从而避免了从原始特征数据逐个剔除无关特征构建特征子集的繁琐过程;同时又改进了样本的融合度,将其代替K最近邻分类器(KNN)中依据概率进行类别判断的方式,提高了分类器的识别精度,较好地解决了多类识别准确率较低的问题. 为验证该算法的有效性,选取五类具有代表性382个烟叶样品为实验对象,构建了烟叶产地识别度量模型,并选取64个样本进行了模型测试,以预测均方根误差(RMSEP)、交互验证均方差(RMSECV)和相关系数(r)作为模型稳健性的评价指标,以产地识别准确率作为算法优劣评价标准. 仿真实验结果表明,利用该算法构建的模型具有较低的RMSEP(0.117),RMSECV(0.106)和较高的r(0.973),平均识别准确率达到98.44％,性能明显优于其他算法,该算法对于高维光谱数据具有良好的识别性能.

关键词：近红外光谱、特征分层选择、融合度、特征子集、多类识别

所属期刊栏目：37

分类号：O657.3(分析化学)

资助基金：国家科技支撑计划课题2015BAF12B01

在线出版日期：2017-05-22（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：1095-1099